2026年9月，中国工业互联网研究院智能化研究所联合北京信息化和工业化融合服务联盟、中国科学院计算技术研究所共同发布《工业智能体发展报告》（以下简称《报告》）。

工业智能体不是对工业互联网平台、工业软件和控制系统的替代，而是面向清晰明确的工业任务，对现有数字能力的系统性重新整合。工业智能体以明确的工业任务目标为牵引，获取任务相关上下文信息，调用专业模型与工具形成实施方案，经由业务系统和现场装备开展受控执行，并依据确认回执对执行结果进行核验。在此背景下，制造业数字化智能化转型正呈现出三方面深刻转变：一是由系统功能驱动转向业务任务驱动，二是由单点优化转向跨系统协同，三是由信息辅助转向可验证、可接管的受控执行。评判工业智能体的发展水平，不能仅看模型是否先进，更要考察其能否在真实工况下完成任务并取得可核验的业务成效。

报告是对工业智能体产业的系统研究成果，共分六章。第一章界定工业智能体的概念与战略意义；第二章从产业、功能、运行多个维度建立工业智能体体系架构；第三章按照数据、算力、模型、网络、安全与自进化六个层面阐述核心技术；第四章围绕研发设计、中试验证、生产制造、运维管理和营销服务五个环节梳理产业实践；第五章聚焦工业智能体平台建设、一体机矩阵部署、工业智能体评测以及供需对接等重点工作进行讲解；第六章展望工业智能体由辅助工具向核心引擎演进的未来图景。

当前，工业智能体正处于由场景试点向规模应用过渡的关键阶段。本报告旨在为完善政策体系、推进应用场景建设、深化行业前瞻研究提供参考，也期待与产业各方共同探索符合工业特点、安全可信、渐进发展的智能体发展路径，为推进新型工业化、建设制造强国贡献力量。

现从以下六个方面进行解读。

一、工业智能体内涵、作用与定位

工业智能体面向明确的工业目标和特定工业环境，融合工业数据、知识、模型与机理，具备环境感知、任务理解、规划决策、工具调用、协同交互、受控执行和反馈优化等能力，能够在设定的权限和安全边界内完成数字任务或物理任务。其核心是把任务要求转化为可执行方案，调用工业软件、业务系统和现场装备完成任务，并依据执行结果持续校验和调整。

工业智能体通过整合相互关联的数字工具，调用数据、算力和系统接口，将模型能力与工业软件、业务系统及现场装备相连接，支撑生产订单、智能排产、质量控制、产线优化、供应链管理和产品研发等任务。通过感知、规划、记忆与执行等能力的协同，将分散的工具调用组织为连续的业务过程，支撑跨系统协同与企业运营优化。

从产业定位看，“AI+制造”产业图谱呈现了基础支撑、技术框架、模型、工业智能体和行业应用之间的关系，工业智能体处在模型能力、工业工具与业务场景之间，将分散的能力集成为面向具体任务的应用单元。应用安全、模型安全、开发框架安全、数据安全和算力安全贯穿开发、部署与运行全过程。

二、工业智能体体系架构

工业智能体体系架构可以从产业、功能和运行三个视角理解，分别说明智能体部署在哪些业务层级、承担哪些任务，以及如何配置资源并协同运行。

从产业视角看，工业智能体分为设备单元、产线、车间、工厂、企业和生态等六个层级。其业务范围由单体设备和生产工序，扩展至车间组织、工厂运营、企业经营和产业链协作，涉及的对象也由现场装备延伸至业务系统、组织资源及上下游企业。各层级通过工业总线、工业以太网、企业局域网及公共通信网络相连接，促进信息技术与操作技术融合，形成从现场感知执行到产业协同的体系架构。

从功能视角看，设备单元级智能体侧重数据采集、状态监测、故障预测诊断和指令执行；产线级智能体侧重任务调度、工序协同、产能平衡、质量检测和物料配送；车间／工厂级智能体侧重资源统筹、生产计划、能耗管控、安全防控与运营管理；企业级智能体支撑质量追溯、工艺数字化设计、数智精益管理和供应商数字化管理；产业链／集群级智能体面向市场洞察、需求撮合、供应链协同和生态合作。上述任务以设备基础数据、生产流程信息、故障案例、监测数据、供应链信息和行业标准规范等为支撑。

从运行视角看，工业智能体围绕目标与约束、状态与知识、模型与能力、事件与反馈四类要素组织协同，根据任务时延、数据敏感性、模型规模和可靠性要求配置计算资源。大规模算力集群、小型算力集群与现场设备之间，通过交换任务信息、优化迁移决策、设备参数和计算结果等信息，支撑跨层级任务协同。云侧承担模型训练、复杂推理和全局优化，边缘侧承担低时延推理与任务编排，端侧负责现场响应和受约束的确定性执行。

三、工业智能体核心技术

工业智能体核心技术构成相互支撑的工程体系，围绕数据、算力、模型、网络、安全、自进化机制等六大维度组织技术能力，可信安全治理贯穿全链条。

一是数据层构建多源连接与语义底座。通过多系统与现场设备多源连接、统一事件模型构建、工业知识图谱搭建、数字孪生映射四个环节，将分散数据转化为机器可理解、可推理、可仿真的语义资产，提供统一认知底座。

二是算力层支撑云边端资源协同。根据模型规模、任务时延和可靠性要求配置计算资源，通过容器化部署、弹性伸缩、跨域迁移、断网自治和灰度发布等机制，支撑模型训练、推理服务与现场执行，并将边缘侧和端侧执行纳入安全约束。

三是模型层集成单智能体核心能力。内部集成感知、记忆、推理、规划、工具调用和策略约束六项能力，遵循“认知可以概率化、执行必须受约束”原则，将模型生成能力转化为输入依据明确、过程状态清晰、调用边界清楚的工业任务能力。

四是网络层实现多智能体协同编排。围绕计划排程、资源协同、质量管控、设备运维和能源安全等任务，通过任务分解与动态分配、冲突消解、一致性决策和人在回路机制组织协同，在共同目标下明确分工、同步状态并落实责任。

五是安全层构建可信安全治理体系。围绕身份与权限、策略护栏、全链审计、可解释性和故障降级五个方面，将安全约束贯穿数据接入、模型推理、工具调用、协同执行和运行维护全过程，使智能行为可授权、可审计、可解释，并在异常情况下有序降级，确保权限与责任相匹配，推动安全与能力同步设计。

六是自进化机制通过闭环验证与持续演进实现能力优化。围绕“感知—诊断—计划—仿真—审核—执行—反馈”流程，对任务过程与执行结果进行持续核验，并利用反馈信息开展问题归因和能力优化。任务执行与能力更新实行分离管理，执行结果用于离线分析和优化，更新后的模型与策略经验证、授权后投入运行。

四、工业智能体产业实践

工业智能体已在研发设计、中试验证、生产制造、运维管理和营销服务等环节开展探索。不同环节的任务属性决定了能力需求的差异：研发与验证侧重知识运用、方案分析和试验反馈，生产与运维更强调实时响应、安全约束及闭环执行，营销服务则关注需求理解与跨业务协同。

研发设计：加速产品创新与工程开发。工业智能体连接设计需求、标准规范、历史项目及专业工程工具，围绕辅助设计与审查、仿真与数字孪生、自动化工程开发、实验与配方筛选四类场景，支撑方案生成、规范校核、仿真推演、控制程序生成和实验结果分析，将工业知识、专业软件与研发数据组织为可调用能力，提升研发资源组织与工程开发效率。以慧工智能图纸审核智能体为例，系统结合AI全量初筛、专家复核和过程数据沉淀，对340余张已完成多轮审核的图纸进行再次复核。智能体对其中约180张图纸提出修改意见，涉及135张图纸的修改建议经专家确认后被采纳，审核效率提升约10倍。

中试验证：降低实体试错与工程变更风险。工业智能体主要面向工艺放大验证、试制与虚拟调试两类任务：前者综合实验与中试数据、设备能力和机理模型，识别关键变量、推荐参数并根据试验结果校准模型；后者在数字孪生环境中开展设备布局、生产节拍、物流路线和控制逻辑仿真，通过“数据与模型辅助试验—虚拟验证—实体确认”的渐进式验证，支撑工艺放大与工程方案优化。百事联合西门子、NVIDIA构建产线数字孪生验证智能体，在虚拟环境中还原机器人、输送系统、托盘路线和人员路径，通过模拟、测试和迭代完成方案验证。最高可提前识别90%的潜在问题，产线吞吐量提升20%，资本支出降低10%至15%。

生产制造：构建面向任务的生产协同层。工业智能体在企业资源计划、高级计划与排程、制造执行等系统与现场装备之间组织任务，围绕生产计划调度、工艺优化控制、人机协同作业、质量检测改进、工厂协同优化、供应链风险管控和安全风险管控等场景，识别异常、分析影响、调用专业工具并回传执行状态，推动单系统局部优化向跨系统任务协同延伸，并将执行过程置于现场控制、安全联锁和人工审批边界之内。以霍里斯特矿石分选智能体为例，系统连接振动给料、皮带加速、成像识别和喷吹分离环节，利用X射线和探测器获取矿石内部特征，依据轨迹预测控制喷嘴气流。矿石通过量达到每秒1200颗。该智能体在矿山场景中的应用使总经济效益增加超过2000万元。

运维管理：推动异常识别向任务闭环延伸。工业智能体围绕设备诊断维护、无人巡检处置和能源系统优化三类场景，连接状态监测、故障知识、工单、备件、人员及生产窗口，将异常识别结果转化为维修或优化任务。通过设备诊断与维修资源协同、多设备巡检与异常处置、能源需求预测与运行优化，形成“诊断—资源组织—处置执行—结果核验”的任务闭环。以中国电信空压节能管控智能体为例，系统采集空压机、储气罐、干燥机等设备数据，结合生产排班和历史工况预测用气需求，动态优化机组启停、负载分配和压力区间，并将优化策略转化为现场控制指令。年节约电量超过100万千瓦时，整体节能率达到7.7%。

营销服务：链接市场需求、推广智能制造的服务能力。工业智能体围绕需求配置报价、售后技术服务和供需交易协同三类场景，连接客户需求、产品配置、报价规则、订单、产能及设备服务信息，支撑需求解析、配置与报价生成、售后问题排查、服务资源组织以及交易履约衔接，使前端业务承诺建立在真实产品能力和制造资源基础上，推动信息响应向跨业务任务协同延伸。联想集团跨企业供应链智能体通过在多级供应商之间动态共享数据，同步上下游供求信息，支持从需求预测、零部件交付到生产和物流的协同。决策时间缩短50%至60%，订单交货及时率提升5%，制造和物流成本降低20%。

五、工业智能体重点工作

工业智能体由场景探索走向规模化应用，需要统筹开发支撑、产品交付、能力评价与产业对接，推动技术供给与企业应用有效衔接，重点推进以下四项工作。

一是建设通专融合工业智能体平台。针对通用能力与工业知识、专业工具衔接不足的问题，统一接入工业企业数据、业务系统以及模型、工具、行业知识等资源，以统一语义模型和知识管理为支撑，融合通用模型能力与工业专业能力，提供任务编排、工具调用、多智能体协同和安全治理等支撑，服务研发设计、生产制造、运维服务和经营管理等应用，并通过政府引导、企业平台承接和行业联盟协同，推动平台能力向场景应用转化。

二是打造工业智能体一体机矩阵。面向企业现场的本地化部署需求，将模型、算力、平台软件和安全能力集成到软硬一体产品中，形成机房级、办公室／企业级、桌面／线边级等产品形态，根据任务规模、模型运行需求、数据敏感性和时延要求提供适配方案，减少环境适配和系统集成工作，降低企业部署门槛，满足本地化运行、数据安全和低时延响应等需求。

三是开展工业智能体评测。围绕分级标准研究、测评验证和国际合作，构建涵盖智能体能力测评、安全可信评估、多智能体测试验证和场景仿真验证的评测体系，重点考察通用认知、行业理解、工具使用、协同规划和异常恢复等能力，以及任务完成质量，结合数据边界、权限约束及具体业务效果形成评价结果，为企业选型和部署应用提供依据，推动相关标准研究与交流合作。

四是推动工业智能体供需精准对接。围绕研发设计、中试验证、生产制造、运维管理和营销服务等环节，归集工业企业的业务问题、任务边界、预期目标和实施条件，形成场景需求清单；梳理技术服务方的产品能力、适用条件、交付方式和应用案例，形成产品能力清单。在政府引导、平台服务和联盟协同下，结合线上需求发布、能力展示与线下专题对接、方案交流，建立“标准化需求—能力匹配—试验验证—应用反馈”的对接机制，提高供需匹配效率，降低无效试点风险，促进工业智能体应用落地。