柔性制造的核心难点，是把不断变化的生产需求翻译成可实现的系统配置。arXiv 上的这篇 CRAFT-AI 提出了一个智能体方案：结合自然语言需求解释、基于资产管理壳（Asset Administration Shell，AAS）的能力描述，以及既有制造配置中的可复用工程知识，由工具型智能体完成匹配并生成制造场景与对应的 AAS 实例。
需求、能力、技能、工程知识要分开
论文先把四个概念划清：需求（requirement）描述生产任务要什么；能力（capability）描述一个资源能提供什么功能，并且不落到具体实现；技能（skill）是能力的可执行部署；工程知识（engineering knowledge）描述既有方案中资产如何配置、布置、参数化并互联。
能力目录用 AAS 类型描述，包含 FactoryIOComponent（组件属性与角色）、CapabilityDescription（已声明的能力）和 TechnicalData（技术数据）等子模型。该目录由 ChatGPT 基于 Factory I/O 文档与 IDTA 子模型模板生成初稿，再由 AAS 领域专家精修，作为能力与技能的唯一事实来源。
四段工作流
整个智能体工作流分四个阶段：grounding、matching、synthesis、assurance，由一个结构化提示词定义十个处理步骤。
Grounding 阶段，智能体把用户的任务描述拆成带唯一标识的需求条目。Matching 阶段，把这些需求与 AAS 目录中声明的能力和技能逐一匹配，每个选择都记录对应的需求、AAS 类型、匹配到的能力、候选技能与理由；随后还要检查所选技能在参考场景中是否存在可用实现，没有有效参考对象的组件会被排除，以免生成不受支持的配置。
Synthesis 阶段生成场景计划，定义组件实例、位置、朝向和配置，复用参考对象搭建场景，并生成对应的 AAS 实例，维持组件类型与实例之间的关系。论文中的工程知识来自 Factory I/O 的十二个既有制造仿真场景，它们提供组件配置、对象结构与接口信息——能力目录回答“能做什么”，参考场景回答“该怎么配”。
Assurance 阶段做静态校验：结构一致性、标识、引用来源与需求覆盖。需求、组件选择、场景计划等中间产物都被保留，用于追踪决策过程。论文明确，静态校验只能保证结构一致，功能正确性还需要在 Factory I/O 目标环境中单独验证。
五个任务看到了什么
原型用五个复杂度不同的制造任务检验：绿色基座经传送带输送并在末端移除；带“填充/排空”按钮的水箱；按高度分选并码垛的混合工件；两条产线分别制造绿色基座与蓝色盖子、送到拾放站装配、检测后移除的多级装配线；以及一个缺工程知识且传感器选错的任务。
前四个有效任务都生成了正确的需求、对相关工程知识的正确引用、正确的组件，以及有效的 Factory I/O 场景。第五个任务中，用户选了参考场景里没有实现知识的弯曲传送带，又选了 RFID 传感器，而 Factory I/O 中的原材料对象并不带 RFID 标签，智能体据此无法生成完整配置。它没有硬编一个看似合理的方案，而是告诉用户哪些需求缺领域知识、哪个传感器与所选原料不兼容，并给出可核查的文档链接。用户修改传送带与传感器后，场景顺利生成。
人类在环，以及明确的边界
原型通过 Streamlit 界面让用户浏览 AAS 目录、查看能力与技能、指定偏好组件并用自然语言提交任务，再由 Python 包装器调用 Codex 智能体执行。当前流程是人监督的：智能体负责需求解释、能力匹配与配置综合，人类工程师负责评估结果；发现知识缺失或组件不一致时，智能体报告限制并提供支撑信息，用户可修改任务描述、选择或补充工程知识后重新生成。
论文也坦白了边界：原型尚未通过仿真执行做自动功能验证，不会根据运行反馈自主改进方案，也不会从人工修正中自动学习；自动 PLC 代码生成不在本文范围内。
小结
这篇论文最有价值的一点，是把“生成”约束在可核查的轨道上：需求有编号，选择有理由，引用有出处，校验有报告。对基础模型驱动的工程工具来说，能明确说出“这里缺知识、这个传感器不匹配”，比生成一个看起来能跑的方案更重要。
资料来源：CRAFT-AI: Capability and Requirement Alignment for Flexible Manufacturing through Agentic AI — arXiv（2026-11-09）。本文为技术要点编译，非原文全文。