把一个大模型直接塞进工业现场，先撞上三道墙：20–40GB 显存超过边缘与雾节点的 4–64GB 容量；1–5 秒推理延迟违反 100 毫秒级实时要求；云端 REST 调用又把机密制造数据送出工厂。SEMAS 的选择不是压缩一个大模型，而是把不同职责拆到边缘、雾、云三层，用 1–14B 的小模型承担领域任务。
三层各有各的智能体
边缘层通过 MQTT 接入原始传感器流，A1/A2 智能体做轻量特征提取与预过滤，把原始多变量读数压成特征向量；雾层 B/B1/B2/B3 智能体执行多样化集成检测与动态共识投票，输出异常分数与告警；云层 C 智能体负责可解释的维护响应生成，D 智能体用 PPO 持续优化全局策略，E 智能体做系统级监督。推理是异步、非阻塞的，云端的策略演化不挡住现场告警。
检测器也不是单一模型：B1 用离线训练的 Isolation Forest（污染率 0.32），B2 用 Isolation Forest、One-Class SVM、Local Outlier Factor、Elliptic Envelope 等五模型集成，通过多数投票聚合。共识层再按权重融合不同智能体的输出，权重与阈值都可以被云端策略更新。
三条反馈回路维持多时间尺度适应
局部反馈从雾层回到边缘：检测性能指标触发窗口大小、特征模式、采样率的快速重配，不经过云端，目标是亚秒级跟上局部漂移。全局反馈从云层下发到雾与边缘：演化智能体分发经过验证的策略更新，修改共识权重、告警阈值、LLM 提示模板与边缘预处理参数。第三条是雾到云的迭代循环：检测结果、响应评价与操作员反馈双向流动，用于实时策略细化与模型改进。三条回路把“一次训练、长期固定”的静态系统，变成可分段更新的系统。
结果：快两个数量级，但准确率不是全面胜出
在两个工业数据集上：锅炉仿真器 10,000 个样本、异常占比 36.8%，风机 IIoT 500 个样本、故障占比 45%。SEMAS 的最佳 F1 分别为 0.4873 与 0.9571；相对规则式自适应基线，锅炉上高 8.6%（t=4.21，p<0.001，d=2.1）；但相对调得很好的静态基线，锅炉上 ΔF1 仅 0.0002（p=0.94），没有统计显著优势。它的强项在效率与稳定性：延迟 0.30–1.22 毫秒，对比基线的 286–1923 毫秒，约 200–1500 倍加速；学习轨迹上，锅炉 ΔF1 为 −0.0239、风机 −0.0166，而规则式基线在锅炉上退化 −0.0550（−11.5%）。
消融显示各部件都有贡献：共识投票影响 6.5% 的 F1，PPO 优化 3.5%，联邦聚合 2.0%；LLM 解释获得 82% 的操作员接受度，基线为 41%。代价是冷启动：新设备初始化约需 8 小时，作者把迁移学习列为高优先级，目标是用同类设备的预训练策略把冷启动压到 30 分钟以内。另一项限制是当前“联邦”只是参数聚合的轻量替代，并非带差分隐私的真联邦学习。
启发
这套架构的可迁移经验不是“用小模型”，而是按资源与时间尺度分配职责：需要毫秒级反应的部分留在边缘，需要跨设备共识的部分放在雾层，需要全局优化与解释的部分放云端。若把三层都塞进一个单体智能体，延迟、显存与数据边界会同时成为瓶颈。
资料来源：Self-Evolving Multi-Agent Network for Industrial IoT Predictive Maintenance — arXiv（2026）。本文为技术要点整理/编译，非原文全文。