如果你还没怎么听说过Agentic AI（代理式人工智能），那可得做好准备，因为你很快就会经常听到它了。
为什么呢？因为它正迅速成为工业运营软件中AI应用的一个重要组成部分 —— 就像我们见证过的AI数据分析，以及最近在工业AI助手和Co-pilot技术中应用的生成式AI一样。
为了说明Agentic AI在工业生产运营中的适用性，AVEVA 公司日前在美国旧金山举办的 2025 年 AVEVA World 大会上进行了一场精彩的演示，展示了其即将推出的、运行在微软 Azure OpenAI 服务平台上的工业AI助手。
AVEVA的首席技术专家 Arti Garg 首先解释说，AI代理是一个利用AI执行任务的系统，它通过访问系统数据（如运行温度、压力细节或安全指标）来实现这一目的。关键在于，基于用户的指令，AI代理可以收集所需数据，为用户创建展示其所需信息的仪表盘，而无需为新的仪表盘可视化界面编写复杂代码。
这些 AI 代理还可以与子代理合作，这些子代理知道如何为资产监控仪表板等选择和检索正确的数据。在这里，AI代理不仅仅是构建控制面板，还可以为它正在监控的资产建议正确的作阈值并创建警报。
“这里真正需要理解的关键是，AI 代理可以通过利用其上下文知识自主完成这些任务，”Garg说，“正是Agentic AI的这种自主性具有为工业带来新效率提升的巨大潜力。它将改变我们今天开展工作的方式。”
创建工业资产监控代理
在演示中，Garg 和 AVEVA 研发执行副总裁 Iju Vijaya Raj 展示了想要对冷凝器进行计划外优化的作员如何使用Agentic AI 来完成这项任务。
演示使用的初始仪表盘视图来自 AVEVA 的工业智能平台Connect，它可用于跨多个站点和数据类型汇总、整理和共享信息，从而为企业提供整体视图。该仪表盘视图展示了一座发电厂中空气冷却式冷凝器的情境化数据。
图：通过Agentic AI协调数据问题。图片来源：AVEVA
在此示例中，作员担心工厂性能下降，希望评估结垢对冷凝器的影响，并要求工业 AI 助手监控其性能并诊断发现的任何问题。
基于这一指令，AI助手检索出部署在发电厂的可用代理列表，以确认是否已为该冷凝器开发了这样的监测代理。发现尚未设置后，它询问操作人员是否应该创建并在该设备上部署一个监测代理。
然后，操作人员要求AI助手创建一个冷凝器监测代理，并基于可能影响其性能的相关参数，对该代理进行训练，使其能够监测设备的有功功率和汽轮机排汽压力。收到指令后，AI助手启动代理创建过程，并向操作人员可视化展示过程细节，以保证透明度。
这种透明度对于工业AI应用至关重要，因为许多专家对AI技术得出答案的方式表示担忧。通过这种透明度，操作人员可以查看与该代理相关的数据源和标签，以确认其创建过程是否正确。
然后，操作人员要求部署该代理，并以30分钟为间隔运行模型。设置工业AI助手执行任务就是这么简单。
两周后，操作人员再次查看该设备，并要求AI助手展示已部署代理的监测结果。结果显示，冷凝器因污垢堆积导致性能下降。数据趋势线的可视化展示帮助操作人员判断该问题是需要立即解决，还是可以等到下一次维护时处理。
为了进一步了解冷凝器污垢可能产生的影响，操作人员要求AI助手计算功率损失成本，并确定清洗冷凝器的投资回收期。AI代理生成仪表盘图表供操作人员查看。
基于这些结果，操作人员要求AI助手总结冷凝器问题和检查程序，以创建维护工单。随后，AI助手生成相关程序，并在 Connect 仪表盘上提供操作手册的链接。
Garg 在这里指出，这是一个利用AI将复杂问题简单化的例子。操作人员无需编写复杂代码，通过日常使用的界面就能创建新的代理。
让您的数据为AI应用做好准备
Garg 说，AI 面临的最大挑战之一不是 AI 本身，而是让数据 AI 做好准备，使其无错误并确保其完整。“随着工业环境变得越来越复杂，这个问题只会越来越棘手。现在有太多不同类型的资产，它们产生的数据比以往任何时候都多。”
这引出了另一个演示，该演示展示了 AI 代理如何解决典型的资产数据管理问题，例如：
·让多个应用程序收集资产的数据。
·资产数据存储在不同位置的问题。
·使用不同的命名约定存储数据点。
·具有具有重叠信息的数据集。
Raj 说，协调这些数据问题可能极其困难。“即便在 AVEVA，我们也为这个问题困扰了几十年。所以在探索新的AI功能时，我们一直把解决这个问题放在首位。我们希望利用自我学习过程，将分散的数据整合起来并加以协调，以创建数字孪生模型。”
在演示 AI 代理如何帮助核对资产数据时，使用了来自 SAP ERP 系统的资产维护信息以及来自AVEVA PI 系统的流数据。
PI 数据显示，一些资产信息被编码到流名称中，而其他相关信息则包含在注释里。同时，随着公司系统的不断扩展，出现了命名约定不一致的情况。
Garg 解释说，AI 代理获取这些信息并进行推理。也就是说，它开始通过查看缩写和注释来弄清楚数据的含义。从中，它可以了解设备代码，然后应用这些知识来帮助对整个设施中的数据进行分类和标记。
例如，从 PI 流注释中，它了解到 HX 代表热交换器。Raj 说，在掌握这一信息后，即使在没有注释的流数据中，它也能利用设备代码推断设备类型。
“AI代理可以解决典型的资产管理问题，比如同一资产的数据由多个应用程序收集、资产数据存储在不同位置、数据点的存储使用不同命名约定，或者数据集存在信息重叠等问题。”
对人机协同的需求仍然存在
尽管AI能具备各种自主能力，但Garg和Raj都指出，仍需要人为介入，以澄清、纠正和完善人工智能做出的推断。
在这里，现有的命名指南可以用来让AI了解公司的命名标准。一旦AI理解了这些标准，它就能对系统中的数据做出更多推断。
Garg说：“在向它说明命名规则后，它会从中学习，并利用这些规则为我们填写站点编号和线路编号。一旦AI对我们的系统和标准有了基本了解，它就开始将我们的各个系统联系起来。这次演示展示了AI驱动的数据映射成果 —— 将 PI 数据和 SAP 工作管理系统的数据整合在同一界面展示。这可以为构建统一的数字孪生模型奠定基础。”
Garg 解释说，此演示旨在强调 AI 如何帮助解决工业领域最棘手的问题之一，即对齐数据模型以创建数字孪生。“但就这个例子而言，即便借助AI，要实现不同数据源的数据同步，仍需要对数据本身及其来源环境有一定的了解。这仍然需要一些行业经验和专业知识。”
Raj 对此表示赞同，并补充说：“真正有趣的是数据与环境之间的关系。要生成见解，您需要经验丰富的人员或成熟的流程。在 AVEVA，我们认为下一代劳动力将通过AI和人类智慧共同获得有价值的见解。”
