工业4.0把数据、系统和功能一层层堆进控制室，也把操作员的认知负担推到了新高度。界面越来越复杂，功能、数据流和控制机制不断累加，操作员必须越来越专业才能不出错。arXiv 上的这篇论文把网络研究中的“意图驱动”（intent-based）范式搬进工业自动化，提出让人只说想达成什么，由系统自己决定怎么做，以对齐工业5.0的人本、可持续与韧性原则。
根智能体与子智能体
架构采用多智能体模型，但保留层级：根智能体负责处理用户意图，子智能体负责与具体领域交互。用户用自然语言表达业务或运营目标，意图层与执行层由此分离。根智能体借助大语言模型、历史记忆或知识图谱等知识库推理出行动计划，定义步骤与迭代，再按需委派任务。
子智能体可以是其他大模型智能体、针对工业场景微调的小语言模型（SLM），也可以是非大模型的专用智能体。它们各自持有一组工具，工具的输入输出规格写清楚，子智能体便能自主选择最合适的一个。工具本身不推理，只提供可调用单元：取实时数据、改系统配置、向设备发指令。新增功能也简单，开发完挂进工具库即可。
把一句话拆成六类要素
意图处理是框架的核心。大模型要把自然语言拆成期望、条件、目标、资源、上下文与信息六类要素，再据此生成执行计划，保证动作不违反条件与上下文。论文给出了一个完整的解析例子：输入是“请按预测剩余寿命维护所有发动机，避免意外停机，给出一张汇总表”，系统将其理解为——期望是让全部发动机保持最佳状态；目标是全部20台；条件是剩余寿命（RUL）高于维护智能体设定的阈值；上下文是主动维护策略，优先减少非计划停机；信息是预测RUL与传感器数据。
拆解完成后，是让子智能体执行，还是根智能体直接调工具，由根智能体自己判断。子智能体之间可以迭代循环到满足预设条件，也可以顺序委派或并行执行。
CMAPSS 上的可复现实验
验证用CMAPSS数据集，只取其中20台发动机，以降低复杂度、避免过多智能体调用。实现选Google Agent Developer Kit（ADK），看重其AutoFlow编排、Gemini 2.0 Flash免费额度与内置Web界面；运行环境是GitHub Codespaces，2核CPU、8GB内存、32GB存储。
两个子智能体分工明确。data_agent 负责取遥测与RUL预测，工具是 get_engine_data_json 和 predict_engine_rul；maintenance_agent 负责识别临近失效的发动机并规划预防性维护，工具包括 suggest_maintenance_action、estimate_maintenance_cost、assign_maintenance_staff 和 schedule_maintenance_task。根智能体收到数据后，自行决定是派维护任务，还是直接调用 stop_engine 停机，最后输出含停机与排程的结构化表格。
多次追加查询也无需操作员预先了解发动机协议或操作手册，系统能正确响应。作者同时点出短板：数据质量与可解释性仍是隐忧，离规模化生产部署还有距离。
意图范式的价值不在“聊天式界面”，而在把人的目标与设备的执行分开，让权限、条件和上下文成为计划的一部分，而不是事后检查的附件。
资料来源：Agentic AI for Intent-Based Industrial Automation — arXiv（2025）。本文为技术要点整理/编译，非原文全文。