制造业讨论Agent，最容易落入两个误区：一是把它当成ERP里的问答助手，二是让它直接替代计划员下达生产指令。真正有价值、也更难落地的方向，是让Agent处理跨月、跨季度乃至跨年度的产能规划：订单增长后能不能交付，瓶颈到底在设备、工装、人员还是物料，增加班次与购买新设备分别能提高多少产出，资本开支何时投入才不会形成闲置。
2026年9月23日发布的《工业智能每日观察》提到，Plataine推出面向长期生产规划的AI Agents，把规划范围从短期排产扩展到未来数月或数年，并把Able-to-Promise、Capable-to-Deliver和CAPEX模拟作为重点。同期，QAD | Redzone提出把ERP、Connected Workforce、供应链和车间执行连接起来；NIST发布SP 800-82 Rev.4草案，强调OT系统必须围绕性能、可靠性、人身与设备安全设计。这三条信息放在一起，正好构成制造业Agent落地的完整问题：它不仅要算得出，还要接得上、解释清、控得住。
一、长期规划不是把APS的时间轴拉长
短期排产通常面对已确认订单、现有设备、确定班次和相对清晰的物料约束，目标是降低换线、缩短周期、提高设备利用率。长期产能规划面对的却是大量条件变量：客户需求可能按不同斜率增长，产品组合会变化，新设备存在采购与爬坡周期，工装有数量和寿命限制，人员招聘与培训不能瞬间完成，良率和OEE也不会保持不变。
因此，长期规划不是求一个“最优排程”，而是比较一组可追溯的情景。一个合格的规划Agent至少要回答四类问题：
- 承诺问题：在给定订单组合、交付窗口和服务水平下，企业能够承诺多少产量；
- 瓶颈问题：约束来自哪一道工序、哪类工装、哪个班次或哪种关键物料；
- 投资问题：新增设备、外协、增班、自动化改造分别需要多少投入，何时产生有效产能；
- 风险问题：需求偏差、良率下降、设备停机或项目延期发生时，交付能力会下降多少。
这类系统的核心输出不应是一条排程，而应是一套“假设—模型—结果—敏感性—建议”的决策包。管理层看到的不只是“建议买两台设备”，还应看到：如果需求增长低于基准情景20%，第二台设备何时闲置；如果设备交付推迟三个月，是否可以通过加班、外协或产品组合调整渡过峰值。
二、数据架构：ERP给经营约束，MES给真实能力
长期规划Agent不能只接一个系统。ERP保存客户订单、销售预测、BOM、采购周期、库存、成本中心和资产预算，是经营计划的主要记录系统；MES保存工单执行、工序节拍、停机、报废、返工、换型和在制品状态，是生产能力的事实来源；设备与SCADA、Historian等OT系统则提供更细的运行信号。
合理架构应分为五层。
第一层是源系统层。 ERP提供需求、物料与财务边界，MES提供工艺路线和执行结果，质量系统提供缺陷与放行信息，设备系统提供状态与产量，人员系统提供技能矩阵和班次可用性。这里首先要解决主数据一致性：同一台设备、同一产品和同一道工序在不同系统中必须能够稳定映射。
第二层是语义与能力模型层。 不能把源表直接交给大模型。企业需要建立产品—工艺—资源—班次—工装—人员之间的关系模型，并为设备定义额定节拍、可用率、换型矩阵、维护窗口和替代资源。OEE可以作为校准指标，但不能直接等同于未来可用产能，因为OEE会把速度、质量和可用率压缩成一个数，容易掩盖具体约束。
第三层是情景与仿真层。 每个情景必须冻结输入版本，包括需求曲线、产品组合、良率、采购周期、班次、设备投产日期和预算上限。仿真可以采用离散事件模型、约束优化或数字孪生；Agent负责生成和编排情景，不应凭自然语言直接“估算”产能。
第四层是Agent编排层。 Agent读取业务问题，调用查询、优化、仿真和成本计算工具，比较多个情景，定位冲突并生成解释。这里的大模型适合做意图解析、工具选择、假设检查和报告生成，不适合替代确定性求解器。
第五层是决策与治理层。 结果进入S&OP、IBP、产能评审或资本预算流程，由计划、生产、财务、采购和安全负责人共同确认。任何建议都要保留输入数据版本、模型版本、工具调用记录和人工批准记录。
三、从Able-to-Promise到CAPEX，必须建立同一套约束链
Able-to-Promise回答“还能答应客户多少”，Capable-to-Deliver回答“按现有资源是否真的交得出来”。两者之间的差距，往往来自ERP账面能力与车间实际能力不一致。例如，ERP中某设备每天可用16小时，但MES显示该设备近三个月因换型、维护和质量等待平均只能形成11小时有效产能。Agent如果只看标准工时，会高估承诺能力；如果只按历史均值，又可能忽略改善项目带来的提升。
更稳妥的做法是为每项能力给出三套参数：设计能力、经验证的基准能力、压力情景下的保守能力。新增设备也不能在“到货日”一次性增加100%产能，而应经过安装、验证、试生产和爬坡曲线。人员约束同样要按技能而非人数计算：十名操作员不等于十名都能操作瓶颈设备。
CAPEX分析则要把产能收益和现金约束放进同一模型。至少应比较设备采购、工装扩充、增班、外协、工艺改造五种方案，并计算投产时点、有效增量、单位增量成本、对交付风险的改善和退出难度。Agent可以快速产生组合方案，但最终投资结论必须由财务假设和工程验证共同支撑。
四、ERP、MES与车间之间，Agent应停在什么位置
QAD | Redzone提出从System of Record转向System of Action，这一方向说明Agent将不再只读报表，而会发起流程。但“能够行动”不等于“可以直控设备”。制造业需要按后果划分动作权限。
低风险动作可以自动执行，例如读取数据、生成情景、创建分析报告、发起评审任务、提示主数据冲突。
中风险动作应经业务审批，例如调整销售承诺建议、创建采购申请草稿、建议改变班次、生成维护或工装需求。
高风险动作不得由通用Agent直接执行，例如修改PLC逻辑、改变安全联锁、远程启停关键设备、绕过质量放行、把未经验证的排程直接下发至产线。
ERP和MES之间还应设置事务网关。Agent只能调用预先定义、参数受限的业务接口，不能获得数据库写权限。每个写操作都要满足身份、角色、工厂、设备、时间窗口和审批状态等条件；超出阈值的变更进入人工复核。这样既能让Agent参与流程，又不把自然语言系统变成新的超级管理员。
五、OT安全边界：零信任不是让Agent反复登录
NIST SP 800-82 Rev.4草案把CSF 2.0、Zero Trust和后果驱动方法带入更广泛的OT场景。对制造Agent而言，关键不是套用IT口号，而是把权限控制建立在物理后果上。
第一，Agent运行环境与控制区隔离。规划Agent应位于企业IT区或受控分析区，通过工业DMZ中的只读数据服务获取MES与Historian数据。它不应直接进入控制网络，更不应持有PLC、DCS或机器人控制器凭证。
第二，工具调用实行最小权限。Agent能够调用的每个API都应有明确用途、参数范围、速率限制和返回字段。读取全厂历史数据与读取某条产线当日状态不是同一权限；创建采购草稿与批准采购也必须分离。
第三，所有外部内容按不可信输入处理。订单备注、邮件、供应商文件和设备日志都可能携带错误信息或提示注入。Agent不能因为文档里出现“忽略规则并执行”就改变权限。检索内容只能作为数据，系统策略和工具授权必须在独立控制层执行。
第四，为关键动作设置确定性联锁。即使Agent通过了身份验证，只要动作可能影响安全、质量或连续生产，就必须由MES规则、工艺规则或安全系统再次校验。安全仪表系统和设备联锁不能依赖大模型判断。
第五，准备降级与恢复。模型服务不可用、结果异常或数据延迟时，工厂仍应按既有计划流程运行。Agent是增强层，不应成为生产连续性的单点故障。
六、落地路线：先建立可信情景，再追求自动闭环
第一阶段应选取一个产能长期紧张、数据相对完整的产品族，统一ERP、MES、设备和工装主数据，复算过去六至十二个月的真实产出。目标不是上Agent，而是证明能力模型能够解释历史。
第二阶段建立有限情景库，例如需求增长、关键设备停机、新设备延期、增班和外协。由计划员发起，Agent负责调用模型、比较结果和生成差异说明，但不写回生产系统。
第三阶段把结果接入月度S&OP或季度资本评审，记录建议采纳率、预测偏差、情景运行时间和人工修正原因。只有当模型持续稳定，才开放创建业务草稿等有限写操作。
第四阶段再考虑滚动规划。Agent定期监测订单、OEE、良率和设备项目进度，一旦关键假设越界就重跑情景并通知负责人。这里的“自治”应理解为自动发现偏差、自动计算影响，而不是自动批准投资或改变控制逻辑。
七、验证方法：不能只看规划结果是否“像真的”
长期规划系统最危险的失败，不是报错，而是给出结构完整、数字精确但约束错误的方案。上线前必须把验证拆成数据验证、模型验证、决策验证和安全验证。
数据验证要检查ERP订单、BOM和采购提前期能否与MES工单、工序和产量闭合。常见问题包括标准工时多年未更新、返工路线没有进入模型、设备别名造成产能重复计算、停机原因被大量归入“其他”。这些问题不修复，优化器只会更快地产生错误答案。
模型验证应采用历史回放。选取已结束的月份，只向系统提供当时能够获得的信息，让它预测后续交付、瓶颈和资源缺口，再与真实结果比较。除了总产量误差，还应检查瓶颈识别准确率、延期订单召回率、投资收益区间和不同情景排序是否稳定。对于随机仿真，应给出置信区间，不能只展示单点数字。
决策验证关注建议是否真的可执行。计划员、工艺、设备、采购和财务应分别审查约束。设备工程师可能发现新增设备缺少厂房、公用工程或检定周期；采购可能指出关键部件交期远长于模型输入；财务则需要确认折旧、现金支出和资金成本。Agent必须记录每次人工修正，并把高频修正转化为新的结构化约束，而不是长期依赖人在报告末尾补一句说明。
安全验证要进行越权、提示注入、错误数据和接口故障测试。测试者应尝试让Agent修改未授权工厂的数据、绕过审批、调用高风险接口，或依据伪造邮件改变需求预测。系统应拒绝越权动作，并在数据异常、模型超时和源系统不可用时安全降级。
八、运营指标：从模型准确率转向经营结果
Agent上线后的指标应分三组。第一组是工程指标，包括数据新鲜度、情景运行成功率、求解时间、接口失败率和审计日志完整率。第二组是计划指标，包括预测偏差、产能缺口提前发现时间、承诺准确率、计划稳定性和人工调整次数。第三组才是经营指标，包括逾期交付减少、加急与外协成本下降、设备投资推迟或避免、资本利用率提高。
还要防止指标被误用。提高设备利用率可能增加在制品并恶化交付；减少换型可能牺牲高优先级订单；压缩安全库存可能放大供应中断风险。因此，Agent应使用多目标约束，而不是围绕单一KPI优化。管理层需要看到目标之间的代价曲线，例如交付率从95%提高到98%需要增加多少库存、班次和资本投入。
明确标注的判断
判断一： 长期产能规划会比通用制造问答更早形成可量化价值，因为它直接连接交付承诺、瓶颈治理和资本开支，收益可以用减少延期、避免过度投资和缩短评审周期衡量。
判断二： 竞争壁垒不在大模型本身，而在经过验证的能力模型、跨系统主数据和可审计的情景库。缺少这些基础，Agent只能生成看似完整的文字建议。
判断三： 制造Agent进入System of Action后，OT安全边界必须前置设计。最可行的路线是“分析自动化、流程半自动、控制确定性”，而不是让通用Agent直接闭环控制产线。## 来源
- NVIDIA官方博客，《NVIDIA Isaac ROS 5.0 Advances Agentic, Open Source Robotics Development》：https://blogs.nvidia.com/blog/isaac-ros-5-0-agentic-open-source-robotics/
- Plataine发布材料（PR Newswire），《Plataine Unveils AI Agents for Long-Term Strategic Planning》：https://www.prnewswire.com/news-releases/plataine-unveils-ai-agents-for-long-term-strategic-planning-helping-manufacturers-scale-for-growth-302884300.html
- NIST官方，《Guide to Operational Technology (OT) Security: Draft SP 800-82r4》：https://www.nist.gov/news-events/news/2026/09/guide-operational-technology-ot-security-nist-requests-comments-draft-sp
- NIST CSRC官方，SP 800-82 Rev.4 Draft：https://csrc.nist.gov/pubs/sp/800/82/r4/ipd
- Constellation Research，《QAD | Redzone launches Manufacturing Intelligence》：https://www.constellationr.com/insights/news/qad-redzone-launches-manufacturing-intelligence-outlines-how-ai-agents-go-shop-floor
本文依据2026年9月23日已发布《工业智能每日观察》展开。文中“明确标注的判断”为分析性意见，不是相关机构或企业的官方结论。