多智能体制造系统（MAS）把决策分散到产品智能体（PA）与资源智能体（RA），提高了柔性，但每个资源的能力边界通常在初始状态就定死。遇到设备故障，系统只能在预设能力内调整；要越过边界，往往得请领域专家手工修改。论文提出以 LLM 为核心的中央控制智能体（CCA）架构，让系统在故障时动态探索资源能力。
问题：能力边界写死，故障就卡住
在 PA/RA 架构中，每个 RA 用有限状态机描述能力模型，包含状态集合、事件集合、状态转移函数、物理属性映射、初始状态与目标状态；RA 之间通过共享状态和邻居表协作，PA 依据过程计划、产品历史和环境模型做决策。论文把挑战拆成三条：对突发扰动缺乏实时重构能力、上下文感知不足、智能体只能在初始划定的能力范围内工作。第三条尤其棘手，因为扩界意味着重新配置，例如延长机器人可达范围或调整数控主轴转速。
CCA 的三个部件
中央控制智能体由知识库、决策器和通信管理器组成。知识库持续收集 RA 的状态、能力、当前任务，以及 PA 的过程计划、产品历史和环境模型，并按离散时间步构造性能向量，纳入吞吐、利用率、故障状态与可用性等指标；同时维护每个资源的运行边界与安全约束，前者决定可行范围（如机械臂工作空间），后者防止危险状态（如主轴转速、进给率越界）。
LLM 怎么选“接盘者”
故障发生后，决策器把指令、实时数据与输出模板一起交给 LLM，要求它选出探索智能体并给出要扩展的能力。论文采用结构化思维链提示，并用加权评分函数比较候选资源：可用性、距离、利用率分别乘以 LLM 给出的权重。LLM 的输出不是直接生效，而要经过校验循环：检查语法、确认智能体存在于系统模型、逐项比对运行边界与安全约束；不通过就带着反馈重试，直到通过或达到迭代上限。通信管理器随后从故障智能体的能力模型中移除受损事件，把新能力作为事件并入探索智能体，并更新邻居表，产品智能体再通过竞标选择路径。
仿真结果与保留意见
案例在 Repast Symphony 中搭建：20 个工位（扩散、离子注入、光刻）、9 台物料搬运机器人、6 道工序，25 个工件，从第 1000 个时间步起有 4 台机器人相继故障，模型使用 GPT-4o。对照的原框架只完成 15 个工件；CCA 架构三次试验分别完成 23、23、21 个。部分工件仍因实时故障、预规划路径失效或卡在故障机器人上而被移除。作者也指出局限：LLM 决策可解释性有限，曾出现权重分配不一致，例如无理由地更看重利用率而非距离；结论基于仿真与单一故障假设，未来需要接入 RAG 知识库并测试更多扰动类型。
值得借鉴的地方
这套架构真正的创新点，是把“能力扩展”从专家手工操作变成一次受约束的 LLM 推理，并用运行边界与安全约束兜底。它更适合作为故障应急层的参考，而不是替代底层控制：LLM 负责提出候选方案，规则与校验负责否决危险方案，两者分工清楚，才谈得上在车间落地。
资料来源：A Large Language Model-Enabled Control Architecture for Dynamic Resource Capability Exploration in Multi-Agent Manufacturing Systems — arXiv（2025）。本文为技术要点整理/编译，非原文全文。