大型语言模型（LLM）正使代理系统突破预设工作流，能够自主规划并执行任务，为智能制造带来全新可能。然而，制造现场的动态环境、复杂的物理约束以及对可靠性的严格要求，使得直接迁移通用代理面临重大障碍。本文系统梳理了 LLM 驱动的工业代理，首先提出了五大关键挑战：实时感知、物理约束建模、可靠性验证、跨系统协同以及安全可控。随后阐释了工业代理的概念及核心特征，强调其必须具备“可嵌入性、可解释性、闭环控制”和“与传统制造系统的深度融合”。
在此基础上，构建了统一的分类框架，涵盖三类应用场景（生产调度、设备维护、质量检测），两种实体形态（软件服务、软硬件混合），以及五个能力层级：感知、理解、规划、执行、学习。每一层级对应的技术要点分别是传感数据解析、业务语义抽取、基于 LLM 的任务分解、机器人或 PLC 的指令下发、以及基于反馈的持续优化。
针对上述结构，提出了四层系统架构：
- 感知层：负责多模态数据采集与预处理，输出统一的状态向量；
- 认知层：利用 LLM 将自然语言需求转化为可执行的任务图；
- 执行层：将任务图映射为具体的机器指令或工作流，并通过调度器实现并行控制；
- 监控层：实时收集执行反馈，进行异常检测并触发闭环修正。核心模块包括状态同步器、任务编排器、约束求解器和自适应学习器，形成从感知到学习的完整闭环。
文章进一步回顾了工业生命周期中典型的应用实例：在生产计划阶段，LLM 能根据订单变更即时生成调度方案；在设备维护阶段，代理通过故障日志自动推断根因并生成维修指令；在质量检测阶段，利用视觉模型与 LLM 结合，实现缺陷描述的自动化报告。最后，指出未来研究应聚焦于高可靠性验证、跨域知识迁移、以及符合工业标准的安全认证机制。
点评：本文提供了从挑战识别到系统实现的全链路视角，为工业领域的 LLM 代理研发奠定了结构化参考框架，值得后续工作深入探索。