- 制造业 AI Agent 的第一阶段应定位为岗位助手，而不是自动决策系统。
- 优先选择高频、低风险、知识密集、结果可验证的管理工作流。
- Agent 项目成败不只取决于模型能力，更取决于数据、知识、流程责任和使用者训练。
为什么不要一开始就做“工厂大脑”
很多企业谈到 AI Agent，会自然联想到自动排产、自动决策、自动优化整座工厂。这类愿景有吸引力，但如果作为第一个项目，风险很高。原因很简单：制造现场的约束复杂，数据口径不稳定，跨部门责任难以自动协调，错误决策还可能影响交付、质量和安全。
更稳妥的做法，是先让 AI Agent 成为岗位助手。它不直接替代人做高风险决策，而是帮助员工整理信息、检索知识、生成复盘问题、提醒异常和准备行动清单。这样的场景更容易被现场接受，也更容易在 8-12 周内验证价值。
五个优先场景
生产经理、班组长、工厂管理层。
把产量、停机、返工、换线和异常记录转化为晨会问题清单。
质量工程师、工艺工程师、质量经理。
检索历史案例，整理 8D 信息，提示可能根因和需要验证的数据。
生产、设备、工艺、计划团队。
识别重复损失、异常分类和跨部门协同问题，提高复盘效率。
持续改善负责人、项目负责人。
追踪里程碑、提醒收益验证、生成复盘和标准化清单。
培训负责人、内训讲师、改善教练。
基于课程和现场问题生成练习题、行动计划和课后辅导建议。
判断一个 Agent 场景是否值得做
制造企业可以用四个问题筛选场景。第一，工作是否高频发生。如果一个问题一年只出现一两次，不适合作为初始场景。第二，资料是否可获得。Agent 需要日报、案例、标准、SOP、项目记录或历史知识作为基础。第三，输出是否可验证。比如是否减少分析时间、提高复盘质量、提升项目闭环率。第四，是否有明确使用者。没有岗位承接的 Agent，很难真正进入工作流。
先把 Agent 当成“岗位助教”
在制造现场，最容易被接受的智能体不是替人做决定的系统，而是帮助岗位把准备工作做得更快、更完整的助教。班组长要开晨会，它先整理昨天的产量、停机、返工和未关闭行动；质量工程师要写 8D，它先检索相似案例、列出缺失证据；改善负责人要开项目例会，它先检查里程碑、收益验证和逾期事项。
这种定位能降低使用阻力。员工不会觉得系统在替代自己的判断，管理层也更容易建立人工复核边界。等一个岗位助手稳定运行后，再考虑把多个助手连接起来，形成跨部门工作流。
Agent 落地需要三层设计
第一层是知识设计：哪些制度、标准、案例、日报、项目资料需要进入知识库。第二层是流程设计：Agent 输出在哪个会议、哪个表单、哪个复盘节点被使用。第三层是人员设计：谁使用、谁审核、谁维护、谁负责持续优化提示词和知识库。
如果只做技术配置，不做这三层设计，Agent 很容易成为一个“很好演示、很少使用”的工具。制造业 AI Agent 的本质，是把组织经验重新嵌入日常管理。
选择生产经理、质量工程师、改善负责人或培训负责人中的一个高频场景。
不要一开始导入所有资料，先围绕一个场景整理日报、标准、案例或项目记录。
用分析周期、复盘质量、项目闭环率、知识检索效率等指标判断效果。