操作员可直接提问“昨日良率下降的原因是什么？”并获得有价值的分析结果；SOP、作业指导书可实时生成；LLM可整合MES、ERP、PLM的知识进行跨系统推理——LLM在工厂车间的应用前景极为广阔。但脱离结构化数据部署的LLM可能产生幻觉综合症、金鱼综合症和反向助手综合症。凯睿德制造白皮书系统提出了RAG、微调和提示工程三种专业化方法，并指出真正的转型需要从LLM走向AI智能体。
LLM在工厂车间的三大应用前景
若应用得当，LLM在工业领域的应用前景极为广阔。其语言理解能力能够通过直观的对话界面，打破传统上相互割裂的职能壁垒，连接起工程、运营、维护和IT等各个环节。
自然语言界面——操作员或工程师可提出诸如“昨日良率下降的原因是什么？”或“显示3号产线的维护趋势”等问题，并获得有价值的分析结果。这大幅降低了操作员使用MES系统的门槛，不再需要记忆复杂的菜单路径和查询语法。
自动化文档生成——SOP、作业指导书、交接班记录及异常报告均可实时生成或汇总。这不仅提高了文档编制效率，更确保了标准化操作程序在不同班次之间的一致性执行。
根本原因探究——当结合结构化日志或时间序列数据时，LLM可协助进行初步诊断或异常分级处理。在设备故障或质量异常发生时，LLM能够快速梳理相关数据源，为工程师提供初步的分析方向。
LLM的三大陷阱
尽管LLM功能强大，但并非即装即用的解决方案。它们的运行逻辑基于概率，而非确定性。当脱离实时结构化数据或未经审慎部署时，LLM可能产生危险或误导性输出。
幻觉综合症——LLM可能生成听起来合理但完全虚假的陈述。在制造业中，这可能导致诊断错误、不安全建议或不准确文档，尤其是当输出无法追溯到源数据时。流畅的表达往往掩盖了自身的易错性。
金鱼综合症——LLM不具备长期记忆能力。它们无法长时间保留上下文信息，这意味着来自某一班次、某一天或某一周的洞察、异常或操作员偏好都会丢失。这使得工作连续性难以保障，在排查反复出现或动态演变的问题时尤为明显。
反向助手综合症——LLM可能会建议诸如“重新排程此工单”或“调整检验频次”等操作，但它们既不会执行这些操作，也不会具体说明如何在运营系统中实施。这导致智能与行动脱节，非但没有实现自动化，反而造成了瓶颈。
LLM专业化的三种技术路径
为克服这些弊端，三种互补技术应运而生。它们能根据特定领域需求定制LLM行为，并通过将模型置于已验证语境中来降低风险。
检索增强生成（RAG） ——将LLM与可信的外部知识库相连接，该知识库通常是由手册、日志或结构化数据源构建的向量数据库。对于MES相关应用，可包括MES文档、历史MES数据、生产上下文规则或配置文件。
微调——涉及在精选的领域特定数据（如MES事件日志、配置数据或标注的操作员干预记录）上训练LLM。这能提升模型在重复性任务和技术语言上的表现，为制造运营提供更高的可靠性。
提示工程——涉及设计精确的指令、示例或模板，在不改变模型本身的情况下引导LLM的行为。可包括SOP模板、结构化查询提示或MES相关的问答示例。
从LLM到AI智能体
这些技术的结合使LLM在制造业中的运营实用性更进一步。然而，真正的转型需要能够主动发起、规划、执行和适应的系统：AI智能体。
AI智能体是一种具备目标导向的系统，它通过工具与外界交互，保留记忆并运用推理能力来实现目标。与传统MES遵循线性确定性流程的逻辑不同，智能体工作流采用条件逻辑与推理机制运行。它们能够重新排产、调整物料路径并优化决策，而无需依赖硬编码规则。
这一演进将AI从“建议者”升级为“行动者”——不仅能回答“发生了什么”，更能自主决定“应该做什么”并启动相应的执行流程。
