当前，企业级工业应用正在大模型浪潮下发生深刻变革。大模型究竟带来了哪些根本性变化？与传统做法相比，它是否构建了新范式？本文会用 5 个具有代表性的工业领域智能体案例，为大家展开分享和解答。

分享嘉宾｜悦点科技 CTO 孟嘉

内容已做精简，如需获取专家完整版视频实录和课件，请扫码领取。

重构与挑战：智能体如何重塑工业开发范式

当前，企业级工业应用中的大模型正带来开发范式的转变。Agent 智能体作为当前主导形态，具备自主思考与闭环执行能力，有望逐步替代企业员工。从宏观发展来看，人工智能正从生成式向推理式迈进，未来甚至可能替代架构师、决策者乃至 CEO，实现所谓 " 单人公司 " 的运营模式。

然而在 ToB 环境中，智能体落地仍面临多项挑战：数据形态复杂，包括多源异构、结构化与非结构化并存；场景链条长，往往需要几十步以上的推理；对准确性、可溯源性与数据安全要求极高。工业场景中，大模型作为概率模型，在长链条推理中逐步出错的风险较大，必须引入新的机制来保障可靠性。

未来企业应用的开发将逐步从 " 数据库 + 编程 " 转向 " 自然语言生成智能体 "。例如可通过 Workflow 构建智能体，未来则有望通过简短提示词直接生成能执行复杂流程的智能体。实现这一愿景的前提，是将数据有效转化为知识，因此 " 知识 + 智能体 " 将成为未来企业应用的核心形态。

实际上，ToB 与 ToC 的 Agent 存在显著差异。在 ToB 市场中，根据业务逻辑密度的不同，可进一步区分为低业务逻辑密度与高业务逻辑密度两类场景。

低业务逻辑密度的场景。例如当前通过市场上开源的智能体构建工具快速搭建知识库，或者通过 NL2SQL 在数据库中进行自助式分析。这类应用虽然业务覆盖面广，但通用性较强，深度相对较浅。

另一类高业务逻辑密度的应用则与企业的内部数据、业务流程以及未公开的内部知识紧密相关。这类场景又可从程序复杂度和探索性两个维度进行划分：一类是高程序化复杂度的 Agent，其执行链条长达几十步，完全替代流水线员工的工作，且要求每一步都不能出错；另一类则是探索式的 Agent，不仅需要描述已发生的情况，更要预测未来趋势并提供决策建议。

当然，还存在更复杂的场景需要将这两种类型结合。悦点科技专注于三类场景：高业务知识密度、高业务复杂度以及高流程复杂度的应用领域，这既是市场的核心需求，也是我们目前重点发展的专业方向。

在服务客户的过程中，我们观察到企业在数字化转型中普遍面临以下几类核心问题：数据未真正贯通、知识传递效率低、质量管控与根因追溯困难等问题。

传统系统中数据孤岛严重，系统协同不足。大模型凭借其泛化与整合能力，为这些问题提供了新解决路径。它降低了数据使用的门槛，使非技术背景人员也能有效利用企业数据资产。

案例深挖：冶金、工业、国央企、铁路、供应链 5 个智能体实战复盘

悦点科技的核心产品 Knora 是一个端到端的智能体开发平台，其产品架构主要包含两个层次。

底层是面向企业级的数据分析平台，该平台以 Ontology（本体论）为核心架构，致力于整合企业内部分散的多模态数据，并在此基础上构建统一的语义层。这一平台的核心目标是帮助企业实现数据的深度融合与知识层构建。

上层为智能体开发平台，与其他平台侧重于快速构建智能体不同，Knora 平台在执行层之下深度集成了知识层与推理层。为提升智能体执行的准确性与安全性，支持私有化模型的短链条与长链条推理能力。

我们认为智能体的未来发展将基于推理逻辑而非搜索逻辑。与当前普遍采用的 RAG 技术不同，后者主要通过多路数据搜索结合大模型汇总来生成答案，而真正通向通用 AGI 的路径需要智能体具备自主推理能力。为此，我们构建了强大的推理层，持续优化长短链条推理能力，使大模型能够更深入地理解客户数据与业务场景。

案例一：冶金行业的科研情报分析与知识管理系统。

该系统的核心是通过 Agent 技术为客户建立了四级分类的知识体系。面对客户拥有的数万篇文档（包括采购资料与内部资料），我们利用 Agent 高效梳理出多层次的知识结构。这一知识体系随后被应用于研发生产管理，客户基于此开发了问答式和看板式的研发管理应用。

该案例的核心价值在于：通过 Agent 技术能够高效完成海量知识体系中的要素抽取。此前，悦点团队采用语义流水线技术，集成了 20 余个小型模型完成此类任务。虽然当前 Agent 的实际处理效率可能略低于专用小模型，但其显著优势在于免除了数据标注需求，大幅降低了人工成本，从而实现了整体效率的提升。

这一实践表明，大模型技术本质上实现了自然语言处理能力的普惠化。

案例二：工业检测报告生成系统

该项目的核心需求是自动生成长达 70-80 页的专业维修检测报告。需要特别说明的是，这个系统并非单纯利用大模型的文本生成能力，而是通过十余个智能体协同工作完成的复杂任务。整个报告生成过程约需 30 分钟，其内容完全由业务数据、专业计算和业务逻辑构成。

这个案例充分体现了 ToB 场景与 ToC 场景在大模型应用上的本质差异。虽然表面上是简单的报告生成需求，但由于涉及复杂的业务规则和专业要求，其实际落地周期长达数月。

尽管实施难度较大，但最终成效显著：该系统不仅完全实现了特定场景的自动化，更重要的是大幅提升了工作人员的效率，成为人工智能技术与传统工业场景深度融合的成功范例。

案例三：大模型结合知识图谱的产业链情报中心

再以产业情报系统为例，为了应对突发公共事件或意外事件，提供决策支持。这个案例属于之前提到的四个象限中左上角的类型，其核心在于结合大模型与知识图谱的技术路径。

需要明确的是，大模型本质上仍是概率模型。在工业或 ToB 复杂场景的推理任务中，单纯依赖大模型的推理能力并不可靠——这种能力更接近于模拟和学习，而非真正的问题解决。事实上，在决策支持领域早已存在诸多成熟算法，包括基于知识图谱的算法、图算法以及动态规划等方法。

我们通过大模型整合这些传统算法，构建完整的事件推理流程。这充分说明了在处理复杂业务场景或深度业务逻辑时，构建基于 Ontology 的知识层至关重要。只有建立这样的知识基础，才能真正实现有效的决策支持效果。

案例四：大型国央企实施复杂项目管理分析

该场景本质上是数据查询场景，但传统 NL2SQL 技术无法有效应对。核心原因在于大型企业的数据仓库结构异常复杂，业务语言往往无法通过简单转换为几条 SQL 语句来实现查询需求。

面对这一挑战，我们通过构建企业专属知识层，采用 NL2API 的查询方式来解决这个问题。这一转变带来了显著的效果提升：将原有供应商 70% 的准确率直接提升至 95% 以上。

需要说明的是，我们并非否定 NL2SQL 技术的价值。在单表查询、多表联合查询等场景，以及大模型较为熟悉的电商等领域，该技术确实能够提供良好的准确度。

但在专业性强、数据仓库结构复杂、需要大量标签处理及内部映射的特殊场景中，建立知识层并提供更复杂的处理机制才是有效的解决路径。该方案目前已在集团总部上线，实际运行效果显著。

案例五：工业厂商多智能体协同对接生产设计管理

最后一个案例展示了智能体落地的未来趋势：通过多智能体协同完成复杂任务。

该案例实现了从需求输入到设计生成，并最终对接工业系统的全流程贯通。需要注意的是，该流程中仍存在多个人工审核环节，特别是与生产排期相关的关键决策部分。

虽然这个案例初步展现了端到端打通的潜力，但目前仍处于实验阶段。通过这个示例，我们可以看出智能体技术已经具备处理端到端任务的能力，但在实际应用中仍然需要大量人工参与。

我们必须坦诚地指出：当前的智能体技术远未达到完全替代人类生产的程度。其真正价值在于逐步替代重复性工作，这是一个持续演进的过程，也是我们对该技术发展路径的基本判断。

未来已来：从 "AI 辅助人 " 到 " 人辅助 AI" 的演进之路

智能体为企业与工业领域的开发带来了新范式。它显著提升了交付效率，尤其在明确场景和应用目标的情况下。

过去我们交付数据项目时，最大的难点在于找不到合适的应用场景，而智能体是自上而下从场景切入的——能够明确辅助哪个员工、访问哪些数据、使用哪些系统、处理程序式还是探索式任务，这些都让交付过程更清晰、更高效。

另一方面，我们建议客户构建知识层，以提升查询准确度。实际上，智能体的效果大约 70% 依赖于底层数据的整理与知识层的构建。

如果不系统整理数据、不让大模型充分理解业务背景，仅靠模型加简单编排，在复杂场景中很容易遇到准确度瓶颈。因此，我们强调将知识图谱与大模型相结合——前者具备可溯源的推理能力，后者提供强大的泛化能力，两者协同才能更好地支持企业应用。

此外，我们看到两个重要趋势：一是多智能体协同，二是长链条推理。目前我们通过模型蒸馏的方法来提升三步以内的短链条推理，长链条推理采用悦点科技自研的 Action Graph 技术去提升。探索型任务可以尝试，但对准确性要求高的还需结合工作流（workflow）实现。

整个行业正向通用 AGI 方向努力，但目前工业与 to B 场景还不能完全依赖智能体自动处理所有需求。必须认清的现实是：智能体还不是 " 许愿池 "，无法做到有求必应。

例如在研发、设计和生产等环节，仍大量依赖人工参与，智能体更多是辅助角色——生成的报告和查询结果需由人员校验。

未来趋势肯定是从 "AI 辅助人 " 逐渐转向 " 人辅助 AI"，但目前智能体的能力仍有边界。

总之，我们将继续推进通用 AGI 的实现，最终达到以人辅助 AI 的新阶段。

⩓