几分钟的演示里，智能体可以识别指令、调用软件、完成预设任务；把时间拉长到一万小时，问题完全不同。原料特性会变，设备性能会衰减，传感器可能漂移，生产负荷与外部能源供给也在波动。工业智能体要面对的不是一道做完即止的题，而是一套 365 天持续运行的系统。极峰科技（GeegoByte AI）在 WAIC 2026 发布的架构，试图回答这个”从会做题到能上岗”的问题。
先划清边界：智能体不进底层控制
工业智能体开始执行任务，容易被理解为大模型直接操控大型设备。真实工业体系并非如此：现场由 PLC、DCS、SCADA、MES 与安全联锁共同构成，PLC 和 DCS 负责毫秒级、秒级的确定性控制，安全联锁在危险条件下强制保护设备与人员，这些系统经过长期验证，不能被概率模型随意替代。
智能体适合进入的是任务层：读取生产状态，结合工艺知识形成策略，把目标拆成可执行任务，再调用既有工业软件与控制系统完成动作。底层继续按确定逻辑执行指令，智能体负责跨变量、跨系统、跨时间尺度的判断与编排。以”提高焚烧效率”为例，这句话不能直接下发给设备，系统需要判断垃圾热值、炉膛温度、给料量、炉排速度与进风状态，再转化为受限的调节任务；哪些参数可自动调整、幅度与频率多少、何时必须停机交人工确认，都要在部署前写进权限与安全边界。
{{IMAGE_1}}
一个指挥中枢，六项能力
该架构没有把智能体描述成线性流程，而是围绕”工业智能指挥中枢”组织一支面向产线的 AI 团队，由 Captain 统一调度六项能力。
感知（Perception）：接入传感器、DCS、SCADA、MES 等多源数据，持续理解温度、压力、流量、能耗、报警与生产指令构成的工况上下文。记忆（Memory）：把历史数据、现场经验与已发生工况沉淀为可调用记忆，遇到相似变化时不必从零判断。推理（Reasoning）：判断一个压力值是否异常，不能只看阈值，还要结合此前数分钟乃至数小时的趋势，以及负荷、温度、阀门开度等相关变量，把工艺知识与时序趋势结合起来，给出可解释的决策。
沙盒（Sandbox）：决策进入执行前，必须经过多重规则校验与安全验证，检查权限、参数范围、工艺约束与潜在风险，确保安全、可信、可审计。它不是附加功能，而是概率模型进入确定性现场所需的隔离层。多智能体协同：设备操作、工艺、能源、安全、计划等不同”AI 工种”协同决策，把局部优化纳入全局生产目标。设备执行（Agent-to-Device）：通过授权工业接口，把验证过的决策转化为参数调整、工况切换、报警处置或生产调度等可执行任务。
{{IMAGE_2}}
为什么不是”一个万能智能体”
流程工业的大型装置连续运行、变量高度耦合，单一动作的影响可能在数分钟后才显现，让一个通用智能体包办所有任务既不现实，也不利于责任划分。以合成氨为例，面对波动的能源输入与复杂工艺状态，可由合成塔操作智能体、进气压力管控智能体和工艺协调智能体分别承担局部任务，再由上层策略协调目标。垃圾焚烧发电中，垃圾热值与给料不稳定，炉排、给料与进风需要持续配合，智能体参与联动调节，人保留安全监管、异常处置与最终责任。这种分工更接近真实班组结构：操作员、工艺工程师、能源管理员、安全员与计划人员各司其职。
一万小时检验的是什么
据企业披露，其”河谷 Hegu”工业智能体平台采用工业时序模型与大语言模型协同的路径，已在多个流程工业场景累计在线生产超过 1 万小时。这个数字不应被理解为运行时长竞赛，对工业系统而言，长周期在线至少检验四件事：是否覆盖过不同负荷与异常工况、模型与系统能否稳定协同、每次判断和动作能否追溯、在无法确定时能否安全退出。而最终价值仍要用质量、产量、能耗、停机时间与安全记录来验证。
判断一个工业智能体是否真正进入生产，现场值得看的不是它能否流畅聊天，而是感知、记忆、推理、沙盒验证、多智能体协同与设备执行能否形成一套可持续运行的系统。壁垒正在从模型能力转向运行能力。
资料来源：1万小时在线生产之后，智能体（Agent）开始调度大型生产设备执行生产任务 — 中国日报网（2026-07-20）。本文为技术要点整理/编译，非原文全文。