炼化企业的常减压装置是原油加工的第一道工序，也是报警最密集的地方之一。操作员过去要连续12小时盯住DCS画面，发现异常后再翻操作规程、打电话找工艺工程师会诊，一次典型异常从发现到定位往往超过30分钟。中国石油昆仑数智联合阿里云与某石化企业打造的工业Agent，已在这套年加工550万吨原油的常减压产线上连续运行超过60天，把这段过程压缩到平均1分50秒。
一条报警进来，Agent怎么接
报警弹出时，AI数字人先说明报警点位和当前趋势，再给出根因判断，最后把处置建议拆成1-2-3步，明确到“哪个阀门开度调多少、哪条支路优先”，并附上推理逻辑。操作员只需在对话框里勾选“采纳”或补充说明，系统便自动跟进结果并生成事后复核记录。
这套做法的难点不在生成一段建议，而在让建议可被班组照着执行。过去处置经验只沉淀在几位老师傅的脑子里，班组间的水平差距往往就藏在“我一般遇到这种情况是这么处理的”这句话里。现在，历史处置案例与老师傅经验被翻译成可复用的推理链路，装进同一个智能体。上线两个月，报警根因分析准确率超过90%，单起异常分析耗时从约30分钟降到平均1分50秒，异常排查工作量下降70%，处置效率提升80%。
三层地基：本体、Harness与应用
第一层是工业本体。常减压装置里的每一条工艺流、每一个控制回路、每一组人机料法环测关系，都被结构化为智能体可以直接调用的动态知识：111类概念、197个属性、45种关系、近1.5万实体、2.7万多条关系边。它让智能体看得懂装置、认得出测点，也知道该从哪里下手。
第二层是Harness，负责让每一次AI动作可审、可信、可追溯，包括上下文编排、安全护栏、验证闭环和可观测追踪。感知、本体知识、趋势分析、根因调查等多个虚拟专家分工接力，每一步推理和每一条证据都实时可见，把“黑盒建议”变成一份透明的工作流。
第三层是应用。13个专业AI助手覆盖生产、监控、安全三个方向，物料平衡异常主动告警、月报一键生成、装置数字孪生一键直达、报警仪检验到期自动提醒等能力嵌入班组日常；已有工业软件通过MCP协议被大模型统一调度，前期数字化投入积累的数据被重新激活。
FDE：把交付周期从月压到天
让AI进生产系统，和做一个演示Demo是两件事。现场一个参数偏差就可能让整条产线停摆，系统必须答得准、跟得上，还要让操作员敢照着做。阿里云与昆仑数智为此组建FDE（Forward Deployed Engineer，前沿部署工程师）团队，直接坐进班组、蹲进控制室，与工艺、仪表、系统专家背靠背共创：白天跑装置、看仪表、听经验，晚上把经验沉淀成本体的一条边、Harness的一条规则、智能体的一个新Skill。
工具包也一起进了现场：Qoder、AgentScope、Qwen系列模型、Harness工程平台和工业本体平台。结果是，数周内打通16套业务系统、5类数据通道、3类数据资产，沉淀45个MCP工具和29个Skill；异常诊断智能体从初版到90%以上准确率只用了数周，性能提升5倍；原本以“月”为单位的集成工程，被压到以“天”为单位迭代。FDE离开后，专业知识、系统数据和老师傅经验留在了本体与评测集里，班组反馈继续驱动系统自迭代。
对制造业的启发是：工业智能体的门槛不只在模型，而在把行业知识变成可计算的本体、把执行约束变成可审计的Harness，再用贴近现场的工程队伍把两者接起来。三者缺一，Agent就只能停在演示里。
资料来源：中石油昆仑数智 X 阿里云：让工业Agent真正跑上油气炼化产线 — 中国日报网（2026-07-15）。本文为技术要点整理，非原文全文。