混合智能体人工智能与多智能体系统在智能制造中的应用

《JOURNAL OF MANUFACTURING SYSTEMS》：Hybrid agentic AI and multi-agent systems in smart manufacturing

　　

研究人员提出了一种融合智能体人工智能（Agentic AI）与多智能体系统（Multi-Agent Systems, MAS）的混合架构，用于智能制造系统中的处方性维护（Prescriptive Maintenance, RxM）。传统MAS强调分布式协调与专用自主性，而基于大语言模型（Large Language Models, LLMs）的智能体人工智能引入了高阶推理、规划及工具调度能力。该框架采用分层结构，包括感知层、预处理层、分析层和优化层，由基于LLM的规划智能体统筹工作流决策与上下文管理。专用智能体自主完成模式发现、特征分析、模型选择及处方优化，同时结合人在回路（Human-in-the-Loop, HITL）界面保障维护建议的可追溯性与透明性。通过在两个工业制造数据集上的概念验证，研究人员实现了动态模型自适应、透明决策与成本感知的维护调度，验证了该架构在鲁棒性、可扩展性及可解释性方面的潜力，弥合了高层智能体推理与底层自主执行之间的鸿沟。

本研究发表于《JOURNAL OF MANUFACTURING SYSTEMS》，针对智能制造系统中维护决策的智能化需求，融合智能体人工智能（Agentic AI）与多智能体系统（MAS）的优势，构建了面向处方性维护（RxM）的混合框架。研究背景源于工业4.0环境下，传统集中式预测性维护（Predictive Maintenance, PdM）难以应对高动态、多源异构的工业数据，且在可解释性、适应性及实时性方面存在局限。现有MAS虽支持分布式协作，但受限于规则驱动的低阶推理；而单一智能体AI缺乏规模化和弹性。为此，研究人员设计了分层混合架构，将大语言模型（LLM）用于战略级任务调度与推理，小型语言模型（Small Language Models, SLMs）部署于边缘节点执行轻量化领域任务，实现云边协同的高效决策。

关键技术方法包括：采用Python开发原型系统，集成pandas、NumPy、scikit-learn等数据处理与机器学习库；LLM选用gemini-2.5-flash进行工作流规划，SLM选用Qwen3:4B与LLaMA3:8B进行本地推理；通过结构化JSON约束与规则防护确保输出可靠性；验证数据集为公开的Smart Manufacturing Maintenance Dataset（SMMD，1430条记录）与6G-Enabled Intelligent Manufacturing Resource Dataset（6GMR，约10万条记录），涵盖分类、回归与异常检测三类任务。

研究结果如下：

端到端工作流执行：框架在两类数据集上均成功完成从数据加载、预处理、建模到优化建议生成的完整流程，LLM规划智能体可动态选择工具与模型，并在性能不足时触发自适应机制。SMMD分类任务中随机森林模型准确率达97.2%，优化层生成按优先级排序的维护建议；回归任务中线性回归R²达0.9209；6GMR异常检测任务中隔离森林识别1%异常样本并关联网络延迟与丢包率。

多问题与多任务适应性：同一套代码无需重配置即可处理分类、回归与异常检测三种任务，通过模式发现自动推断问题类型，体现了任务无关智能。

智能体推理与自适应智能：LLM规划智能体采用链式思维（Chain-of-Thought）进行工具选择与决策解释，分析智能体在性能低于阈值时自动切换模型并记录结果，实现自评估与自改进。

人在回路透明性：HITL界面实时记录决策轨迹与建议，非技术背景人员可通过结构化摘要监督系统，确保最终控制权归属人类操作员。

讨论与结论部分指出，该混合架构有效结合了LLM的上下文推理能力与MAS的模块化自治优势，提升了系统的可扩展性、可解释性与泛化能力。研究证实其在动态制造环境中的可行性，并为未来与边缘计算、数字孪生及实时工业协议的集成提供了基础。研究人员强调，该框架当前处于概念验证阶段，后续需在真实工业流数据环境中进一步优化延迟、成本与安全策略，以实现完全自主且可信赖的智能制造决策生态系统。