工业控制 AI Agent 三层架构解析：分阶段实现工厂自主化

传统工业控制依靠人工完成工艺设计、产线调试、设备运维全流程工作，随着大模型技术向工业场景渗透，工业控制自主化不再是笼统的概念，白皮书提出以三类不同时序的 AI Agent 构建分层体系，区分工艺设计、工程调试、设备运行三个阶段的智能任务，构建 “AI 辅助决策 + 传统硬逻辑兜底” 的混合控制架构，明确工业大模型不会直接替换 PLC、DCS 底层实时控制硬件，而是补齐传统控制系统认知决策短板。

按照产线全生命周期，AI Agent 划分为 Design Time Agent 工艺设计期 Agent、Engineering Time Agent 工程调试期 Agent、Runtime Agent 运行期 Agent，三类 Agent 运行载体、算力需求、响应时延、承担任务有着明确边界。

Design Time Agent 面向产线前期规划阶段，运行在云端大模型环境。在工厂产线设计、工艺方案规划环节，它依托行业工艺知识库完成生产仿真、跨产线协同规划，把行业老工程师沉淀的隐性工艺经验，转化成标准化、可复用数字工艺资产。该阶段不涉及设备实时动作，对响应速度没有毫秒级要求，核心价值是前置规避工艺缺陷，减少后期调试阶段的返工。输出的工艺知识会向下供给工程调试阶段，作为 Engineering Time Agent 的输入素材。

Engineering Time Agent 聚焦产线部署调试阶段，部署于本地服务器或者云端，服务系统集成、参数整定、故障根因分析工作。在设备接线、程序编写、参数调试场景，它可以辅助工程师生成控制逻辑参考代码、给出参数优化方向，解析设备报错信息定位故障根源，压缩产线调试周期。需要明确，该 Agent 输出全部属于辅助参考内容，所有结果必须经过工程师人工复核确认，不会直接下发指令驱动硬件执行。调试完成后，经过验证的控制策略、参数会固化下沉，交付 Runtime Agent 执行。

Runtime Agent 部署在边缘端硬件，采用轻量化工业小模型，是唯一贴近现场设备的智能体，需要满足毫秒级响应、离线可用硬性约束。它承担设备工况自整定、故障自诊断、局部任务自主调度，专门处理设备层实时业务。但白皮书着重强调：安全相关关键回路，依然保留 PLC、安全仪表的传统硬逻辑做兜底保护，Runtime Agent 的输出不能接管安全联锁，避免大模型概率性输出带来生产安全事故。三类 Agent 相互串联，上层输出向下流转，下层运行数据反向反馈上层迭代知识库，形成闭环。

白皮书将工业控制 AI 自主化划分成三个发展周期。短期 0‑2 年处于辅助增强阶段，大模型仅做辅助工具，底层控制完全交给传统 PLC/DCS；中期 2‑5 年进入多模态混合自主阶段，三层 Agent 体系工程落地，产线局部实现自主控制；5 年以上全域完全自主化属于远期目标，实现控制系统自感知、自编程、自修复全链路能力。