随着设备联网、产线管理与数字孪生技术逐步成熟，智能制造面临的下一个课题，是如何让 AI 不仅能够理解数据，还能够调用现有系统与工程工具，协助完成实际任务。
东台持续从 TLM 产线管理、CPS 数字孪生及单机 AI 应用等领域拓展智能制造能力，并进一步开发 TLM Agent 与 CPS Agent，让 AI 从“回答问题”走向“协助执行工作”，探索制造现场从 Automation（自动化）迈向 Autonomous（自主化）的新可能。
让 AI 从理解制造信息，走向协助实际工作
AI Agent 如何推动智能制造进一步发展？
从机床联网、制造数据可视化，到数字孪生与智能排程，智能制造的核心始终在于让设备与数据能够被更高效地理解和利用。随着这些数字化基础逐步成熟，制造业也开始面临下一个问题：如果 AI 已经能够理解数据，是否还能进一步调用现有系统与工程工具，协助工程师完成实际工作？
这正是 AI Agent（AI 智能体）开始受到制造业关注的重要原因。
与一般生成式 AI 主要侧重于理解问题、整理信息和生成内容相比，AI Agent 更进一步强调任务执行能力。它能够根据用户需求，判断需要获取哪些信息、调用哪些工具，并逐步串联原本分散在不同系统中的工作流程。对于制造现场而言，这意味着 AI 的角色有望从“回答问题”，进一步发展为“协助完成工作”。
多年来，东台持续从设备联网、TLM 产线管理、CPS 数字孪生到单机 AI 应用推进智能制造技术，并在此基础上进一步开发 TLM Agent 与 CPS Agent。本文内容延伸自东台精机智能技术本部曾文鹏协理在 2026 台湾人工智能年会发表的“智能制造 AI 智能体”专题分享，介绍 AI Agent 如何进一步连接既有智能制造能力，以及其可能为工程工作带来的改变。
图：东台精机智能技术本部曾文鹏协理在 2026 台湾人工智能年会分享“智能制造 AI 智能体”，介绍东台从智能制造、TLM 与 CPS 数字孪生延伸至 AI Agent 的技术发展。
智能制造迈向下一阶段，AI 开始从分析走向执行
智能制造并不是从 AI 才开始。工业 4.0 发展至今，制造业已逐步建立设备与数字世界之间的连接。东台将智能制造的发展脉络整理为联网化、可视化、透明化、预测化，并进一步向智能化与自优化发展。这个过程可以理解为制造系统对现场状况的理解能力不断提升：从获取设备数据、掌握实时状态，到分析问题发生的原因，再进一步预测接下来可能出现的状况。
这样的能力已经实际进入机床应用。东台目前的单机 AI 技术包括刀具寿命预测、主轴寿命预测、热误差补偿、进给轴承预测性维护、刀具表面缺陷检测与 AI 自适应冲屑等，希望通过设备数据与 AI 模型，协助掌握设备健康、加工状态与工艺质量。
这些应用代表 AI 已经逐步具备“看懂数据”与“预测状况”的能力。当这些能力持续成熟，新的需求也随之出现：AI 能不能不只提供判断，而是进一步使用企业现有的系统与工具，协助工程师完成工作？这正是 Agentic AI 对智能制造带来的重要转折。
从生成式 AI 到 AI Agent，制造现场发生了什么变化？
生成式 AI 让企业逐渐熟悉通过自然语言获取信息的工作方式。以机床现场为例，东台发展的 T-BOT 机边 CoPilot，通过 LLM 与 RAG 技术结合相关知识与机床实时状态，协助提供异常排查步骤与操作说明，希望降低人员学习门槛并提升异常排查效率。
这类应用的核心，是让 AI 更了解设备、文件与用户正在询问的问题。AI Agent 则再往前一步，将 AI 的角色从信息提供延伸到工作执行。
假设工程师想知道某条产线昨天效率下降的原因，一般生成式 AI 可以协助说明应检查哪些项目，例如设备利用率、报警信息、停机记录与生产履历；AI Agent 的目标则是进一步获取相关数据、整理历史记录、使用现有工具进行分析，再将结果交给工程师确认。
因此，生成式 AI 与 AI Agent 的差异，不只在于回答得更完整，而在于 AI 是否能理解任务，并进一步使用工具协助执行。这项差异对制造现场尤其重要，因为工程师的日常工作很少只存在于单一系统。从机床状态、历史生产数据、CAM 程序、加工仿真到整线产能分析，往往需要在多套系统与工程工具之间切换。AI Agent 真正有价值的地方，就在于能否把这些原本分散的能力连接起来。
为什么制造业的 AI Agent 不能只靠 LLM？
大型语言模型（LLM）具备语言理解、推理与生成能力，但这并不代表它天然知道一家工厂如何运行。就像一名具备良好专业基础的新入职工程师，进入企业后仍然需要了解设备规格、数据来源、工作流程、系统操作方式与工程判断原则，AI 也需要相对应的企业知识与工作环境。
曾文鹏协理在分享中将这套概念整理为“Agent = LLM + Harness”。在东台的 AI Agent 架构中，Harness 并不是另一个 AI 模型，而是让 AI 能获取知识、遵循工作方法并使用外部工具的一整套工作环境，其中整合 VLM、MCP、Skill、RAG、Knowledge、AI Tools、Database、Python 与 C# 等能力。
如果从制造现场理解，Knowledge 承载的是设备数据、工程规范与企业知识；Skill 则把一项工作应如何执行、如何判断的经验整理成 AI 可以理解的方法；RAG 协助 AI 从大量企业知识中获取与当前任务相关的信息；MCP 则进一步提供 AI 与 TLM、数据库、仿真工具等外部系统交互的方式。
也就是说，如果 LLM 解决的是“AI 能不能理解与思考”，Harness 所处理的，就是“AI 有没有足够的知识、方法与工具可以完成工作”。
对制造业而言，这一点尤其关键。企业真正形成差异的，不一定只是选择哪一个大型语言模型，而是多年积累的设备数据、工程知识、工作流程与专用工具，能不能被整理成 AI 可以理解、获取并使用的能力。
图：在东台的 AI Agent 架构中，LLM 提供理解与推理能力，Harness 则整合 Knowledge、Skill、RAG、MCP 与各类工具，使 AI 能进一步参与实际工作流程。
TLM Agent：让产线管理从操作功能走向交办任务
东台整线管理系统 TLM（Tongtai Line Management System）是智能制造的重要基础之一。通过机床联网与产线信息整合，TLM 可以协助用户掌握设备、生产及历史数据。传统的使用方式，是由工程师登录系统后根据需求寻找功能、查询数据，再进行整理与分析。
当 AI Agent 与 TLM 结合后，人与系统的交互方式开始产生变化。用户不一定需要先知道数据位于哪一个页面，而可以直接提出希望完成的任务，例如查询整厂或单机信息、汇总历史数据、生成定制化报表，或比较不同场域的生产数据。
TLM Agent II 的应用方向即涵盖整厂与单机数据查询、历史数据汇总、定制化报表生成、跨场域数据比对与辅助操作引导。这样的改变，不只是给现有软件加上一个 AI 对话框，而是在重新思考工业软件的使用方式。
过去，软件设计的重要课题是如何让用户快速找到需要的功能；进入 Agent 时代后，则进一步需要思考如何让 AI 理解系统能力、理解用户的目的，再根据任务选择合适的功能。这也是东台将 Knowledge、Skill 与 MCP Server 纳入 Native AI 软件设计思维的原因，希望让工具不仅具备面向人的操作界面，也逐步具备让 AI 理解与代理操作的条件。
Agent 的价值，在于把现有制造工具连接起来
实际的制造工作往往需要同时使用不同系统，因此 AI Agent 的能力并不是“自己会做所有事情”，而是根据任务判断需要获取哪些信息，以及应该使用哪一项工具。
在 TLM Agent 的应用架构中，不同工具分别负责不同工作。TLM 提供产线历史数据检索，FANUC NC GUIDE2 可进行加工程序仿真与 Cycle Time 计算，东台产线 CPS 则提供产量预测、设备利用率与甘特图等分析能力。通过 Agent 将这些工具纳入同一个工作流程后，AI 才有机会根据用户需求，协助完成跨系统任务。
目前 TLM Agent 的展示应用已涵盖产线状态查询、CAM 程序生成、单机加工仿真与整线产能仿真等工作。对工程师而言，这意味着原本花费在数据搜索、系统切换与重复操作上的时间，有机会逐步转移到条件设定、结果判断与方案改善等更需要工程经验的工作。
这也是 AI Agent 与固定自动化 Workflow 的一项重要差异。固定流程通常根据预先设定的步骤执行，而 Agent 的发展方向，则是让 AI 能根据不同任务理解工具能力，再选择合适的操作方式。对智能制造而言，这意味着系统的价值开始从“提供功能”进一步走向“协助完成工作”。
CPS Agent：让 AI 参与数字孪生工程流程
除了产线管理，Digital Twin（数字孪生）也是 AI Agent 在智能制造中的重要应用方向。数字孪生通过数字环境建立与实际设备或产线相对应的模型，让工程师能在真正建设或调整产线之前，先进行流程、产能与布局分析。
然而，数字孪生真正的门槛并不只是有没有仿真软件。每条产线的布局与流程具有高度定制化特性，建立模型往往需要同时具备工程分析与程序开发能力。实际工作中，会编写程序的人未必熟悉工程分析，而熟悉工程分析的人也不一定具备程序开发能力。CPS Agent 所要处理的，正是如何利用 AI 协助连接这些原本分散的工程能力。
在数字孪生建立之前，工程师首先必须理解 Layout 与自动化流程图。因此，CPS Agent 的第一项工作是“解读”，将工程师阅读 Layout、理解流程图与撰写说明的方式逐步整理成 AI 可以使用的 Skill。完成图纸理解后，Agent 再进一步结合 Prompt、知识图谱与相关 Skill，协助将设备与流程信息转换成数字孪生程序；其中涉及设备分类、流程逻辑与孪生引擎运行等工程知识，而不只是一般的代码生成。
当孪生程序完成后，工作还必须进入仿真引擎实际运行，获取仿真数据并进行分析。因此，CPS Agent 的发展重点可以理解为让 AI 逐步参与“图纸解读、孪生生成、仿真运行与数据分析”的完整工程流程。
值得注意的是，这并不代表工程工作完全交由 AI 自主决定。在 CPS Agent 的完整流程中，仍保留程序审核、修改、仿真结果评价与最终确认等人工环节。AI 负责协助执行大量工程作业，而人的专业判断仍然是整个流程的重要部分。
图：东台提供从单元、单机到整线的数字孪生工程服务。
AI Agent 不只提升效率，也重新整理工程知识
制造业导入 AI Agent 的另一项重要价值，是重新整理与保存工程知识。许多真正重要的制造经验，并不完全存在于设备说明书或 SOP 中，而是积累在资深工程师的日常判断中。例如某种 Layout 如何布局较为合理、某个仿真结果虽然数据显示正常却可能存在问题，或面对特定异常时应优先检查哪个环节，这些往往属于长时间积累形成的隐性知识。
东台将传统员工所具备的“知识、技能与工具”能力，进一步对应至知识图谱、Vector、Database、Skill 与 MCP 等 AI Agent 架构。 这代表企业导入 AI Agent 的过程，也促使工程知识重新被整理：哪些信息需要成为 Knowledge、哪些操作与判断方式可以形成 Skill，以及哪些系统能力需要转换成 AI 可以使用的 Tool。
真正具有长期价值的，因此不只是将大量文件提供给 AI，而是把工程师“怎么判断、怎么工作”的方式逐步数字化，使这些能力可以被保存、重复使用，并进一步协助新员工学习。
在人的角色上，东台将人与 Agent 的协作方式区分为 Human、Human with AI Copilot 与 Agent 三个层次，从完全由人操作工具，到人负责设定与决策、AI 协助重复性工作，再进一步发展至由人交办任务、AI Agent 执行较完整的工作流程。这样的演进并不是将工程师移出制造流程，而是让人的角色逐步从大量系统操作，转向问题定义、条件确认、结果验证与最终决策。
从 3 个工作日到数小时，改变的不只是执行速度
AI Agent 是否能真正为制造业带来价值，最终仍然需要回到实际工程工作。
曾文鹏协理分享，目前 CPS Agent 已导入东台日常工作，其中一项原本约需 3 个工作日的传统人工流程，在 AI Agent 辅助后，作业时间可缩短至约 0.1～3 小时；在 Agent 执行工作的同时，工程师仍可处理其他任务。
这项成果值得注意的地方，不只是单纯比较“人工与 AI 谁比较快”，而是工作流程本身开始发生变化。过去需要工程师亲自完成的大量中间步骤，可以逐步交由 Agent 协助执行；工程师则能将更多时间投入工程判断、方案修改、结果验证与最终确认。
换句话说，AI Agent 带来的效益，不只是让某一项操作自动化，而是重新思考哪些工作应由人负责、哪些工作可以交由 AI 协助，以及人与数字化工具之间如何形成更高效的协作方式。
图：AI Agent 的价值不只在于提升执行速度，更在于重新分配工程工作的重心，让工程师将更多时间投入判断、验证与改善。
从 Automation 到 Autonomous，智能制造的下一个阶段
过去十多年，工业 4.0 持续推动设备、传感器、产线管理系统与数字孪生之间的连接，使制造现场逐步具备数据化、可视化、分析与预测能力。AI Agent 的出现，则开始回答下一个问题：当设备、数据与工具都已经逐步数字化之后，AI 是否能真正理解并使用这些能力？
从这个角度来看，AI Agent 并不是用来取代现有智能制造系统，而是建立在这些基础之上。没有设备联网，就没有实时数据可以获取；没有 TLM，就缺少完整的产线管理信息；没有 CPS 与 Digital Twin，就缺少工程仿真能力；没有企业长期积累的 Knowledge 与 Skill，AI 也无法理解实际工程工作的脉络。
因此，AI Agent 对智能制造真正的意义，不是再给制造现场增加一套新的 AI 软件，而是让企业现有的设备、数据、软件、工程知识与工作方法，逐步转化成 AI 可以理解、连接与使用的制造能力。
从设备联网、TLM 产线管理、CPS 数字孪生，到 AI Agent，东台持续探索的核心始终是如何让数字技术真正进入制造流程，协助工程师提升效率、积累知识，并为制造现场创造可落地的价值。
当工业 4.0 与 AI 持续融合，智能制造也将从 Automation（自动化）进一步向更高程度的 Autonomous（自主化）发展。对制造业而言，下一阶段真正值得关注的，不只是选择哪一种 AI 模型，而是企业多年积累的设备、数据、知识与工程能力，能否进一步转化成 AI 可以使用，并持续为制造现场创造价值的能力。
延伸阅读
AI Agent 的应用建立在设备联网、数据整合、产线管理与数字孪生等智能制造基础之上。若希望进一步了解相关技术，可延伸阅读：
FAQ
常见问答
东台如何将 AI Agent 应用于智能制造？
东台的 AI Agent 应用建立在现有智能制造能力之上，包括设备联网、TLM 产线管理、CPS 数字孪生与工程数据应用。目前主要从 TLM Agent 与 CPS Agent 两个方向发展，让 AI 不只理解制造信息，也能进一步协助数据查询、工具使用、工程仿真与工作流程执行。
TLM Agent 与原有 TLM 产线管理系统有什么不同？
TLM 原本着重于设备与产线信息整合，协助用户掌握生产状态与历史数据；加入 AI Agent 后，使用方式进一步从“操作系统功能”向“交办任务”发展。TLM Agent 可协助整厂与单机数据查询、历史数据汇总、定制化报表、跨场域数据比对与操作引导。
东台 CPS Agent 可以协助哪些数字孪生工作？
CPS Agent 主要协助 AI 参与数字孪生工程流程，包括 Layout 与流程图解读、孪生程序生成、仿真运行与数据分析。其目的不是单纯由 AI 生成代码，而是将工程知识、工作方法与数字孪生工具连接起来，降低工程分析与程序开发之间的落差。