1. 引言

随着工业互联网、数字孪生与人工智能技术的深度融合，制造业正加速迈入“智能体化”新阶段。工业智能体（Industrial Agent）不再只是象牙塔里的概念，而是逐步成为车间调度、设备运维、质量控制、供应链协同等场景中的核心执行单元。然而，当越来越多的算法模型、自动化系统、边缘设备以“智能体”的姿态接入产线时，碎片化实现、接口混乱、知识无法共享、行为不可审计等问题也接踵而至。

为了应对这些挑战，业界迫切需要一套面向工业场景的智能体治理规范。SKII 规范正是在这一背景下提出的实践框架，它围绕 Standard（标准）、Knowledge（知识）、Interoperability（互操作性）、Intelligence（智能）四个维度，为工业智能体的设计、开发、部署与运维提供统一参照。

本文将系统梳理 SKII 规范的核心内容，并结合实际工程案例说明如何在工业场景中落地。

2. SKII 规范概述

2.1 什么是 SKII

SKII 是面向工业智能体的四维规范框架，四个字母分别代表：

• S（Standard，标准）：统一智能体的数据格式、通信协议、状态模型与质量要求，让异构系统“说同一种语言”。
• K（Knowledge，知识）：规范工业知识的表达、抽取、存储与推理方式，让专家经验与机理模型可被智能体理解和使用。
• I（Interoperability，互操作性）：保障智能体与 MES、SCADA、ERP、PLC、机器人等既有工业系统之间的无缝协同。
• I（Intelligence，智能）：约束智能体的决策逻辑、学习机制与行为边界，确保其“聪明但不失控”。

2.2 为什么要做 SKII 规范

工业智能体的落地面临几个典型痛点：

• 系统异构严重：不同厂商的设备、协议、数据格式差异巨大，智能体接入成本高。
• 知识沉淀困难：老师傅的经验停留在个人脑中，难以结构化、复用和迭代。
• 协作边界模糊：多个智能体同时作用于同一产线，容易出现决策冲突或责任不清。
• 安全与合规压力：工业场景容错率低，智能体行为必须可解释、可审计、可回退。

SKII 的价值在于：它不追求另起炉灶，而是以“轻量约束 + 工程实践”的方式，把散落的工业智能体实践收敛到一条可复用的主线上。

下表从系统异构、知识沉淀、协作边界、安全合规四个维度，对比「无规范」与「采用 SKII」两种模式下的差异：

维度	无规范时的痛点	采用 SKII 后的改善效果
系统异构	不同厂商设备、协议、数据格式差异大，智能体接入成本高	通过统一数据格式、通信协议与状态模型，降低接入成本，提升系统互通性
知识沉淀	老师傅经验停留在个人脑中，难以结构化、复用和迭代	规范知识表达、抽取、存储与推理方式，让经验与机理模型可被智能体理解和使用
协作边界	多个智能体同时作用于同一产线，容易出现决策冲突或责任不清	明确智能体与既有系统、智能体之间的协同机制，减少冲突、厘清责任边界
安全合规	工业场景容错率低，智能体行为难以解释、审计和回退	约束决策逻辑、学习机制与行为边界，确保行为可解释、可审计、可回退

3. SKII 规范核心内容

3.1 S：标准维度

标准维度的核心目标是消除由于各自为政带来的集成黑洞。一般包含三个层次：

1. 数据标准：统一时序数据、事件数据、异构日志的字段命名、单位、粒度与质量校验规则。
2. 接口标准：明确智能体的对外服务接口（如 REST、gRPC、MQTT），推荐按场景选择通信范式。
3. 行为标准：定义智能体的生命周期状态机，至少包含注册、待命、运行、暂停、异常、下线六个状态。

一个典型的标准化智能体启动流程如下：

3.2 K：知识维度

知识维度解决的是“智能体如何获得工厂经验”的问题。实践中通常采用“三层知识”模型：

• 机理知识：来源于物理模型、化学方程、工艺参数边界，适合用规则或优化模型表达。
• 经验知识：来源于工程师与操作员的长期实践，适合用知识图谱或专家规则库表达。
• 数据知识：来源于历史生产数据，适合用机器学习模型表达，但需要配合可解释性约束。

知识维度的落地关键在于知识的外化与共享。比如把“当轴承温度超过 85℃ 且振动速度超过 4.5 mm/s 时，应立即降载并通知点检”这条经验，编码为智能体可解析的规则对象，而不是埋在某段私有代码里。

3.3 I：互操作性维度

互操作性是工业智能体区别于纯算法模型的显著特征：它必须与真实工厂系统协同工作。SKII 在这一维度上强调三点：

• 协议适配层：智能体通过南向适配器对接 OPC UA、Modbus、MQTT 等工业协议，北向通过标准 API 暴露能力。
• 语义对齐：借助统一信息模型（如基于 OPC UA 的行业信息模型），让“设备 A 的温度”在不同系统中指代一致。
• 协同机制：多智能体之间通过消息队列或事件总线交换上下文，避免点对点硬耦合。

推荐的架构模式如下：

3.4 I：智能维度

智能维度并不是要求每个智能体都上大模型，而是要求智能体的“智能”具备工业可接受性。核心约束包括：

• 决策可解释：智能体每次给出控制建议或自动执行动作时，必须附带决策依据。
• 权限分级：按风险等级划分“建议模式”“半自动模式”“全自动模式”，高风险动作一律需人工确认。
• 安全围栏：设定硬约束与软目标，智能体优化时不得突破安全边界（如温度上限、投料比例）。
• 持续学习受控：模型在线更新必须经过验证环境回归，并通过版本审批后才能上线。

4. 工程实践：一步步落地 SKII

4.1 第一步：盘点现状，确定范围

先回答三个问题：

• 当前工厂里已有哪些可编程控制、可采集数据的设备与系统？
• 哪些环节存在专家经验流失或决策不稳定的问题？
• 首期智能体试点选择哪个场景最容易产生可见价值？

建议优先选择“数据基础好、边界清晰、风险可控”的场景，比如单机预测性维护、能耗优化、质检辅助等。

4.2 第二步：搭建标准化底座

按 S 维度推进：

• 定义字段字典，统一温度、压力、振动、能耗等核心测点的命名与单位；
• 明确消息格式与接口规范，建立统一网关；
• 建一个轻量的智能体注册中心，所有智能体上线前必须登记元信息。

4.3 第三步：沉淀知识资产

按 K 维度推进：

• 组织工艺、设备、质检等岗位骨干，进行经验规则的结构化访谈；
• 将机理模型与数据模型按场景拟合，形成初始知识包；
• 使用版本化方式管理知识资产，每次规则调整留痕。

4.4 第四步：开发并接入首个智能体

以一个预测性维护智能体为例：

1. 通过 OPC UA 订阅设备振动、温度、电流等测点；
2. 加载知识库中的阈值规则与诊断模型；
3. 实时推理并在超限时生成告警建议；
4. 通过 MES 工单向点检人员推送任务。

示例代码框架如下：

from agent_core import IndustrialAgent, DataSource
from knowledge import RuleEngine

agent = IndustrialAgent(
    agent_id="pd-01",
    mode="suggest",  # 建议模式：只给建议，不自动停机
)

source = DataSource(protocol="opcua", tags=["vibration", "temperature"])
rule_engine = RuleEngine(knowledge_version="v1.3.0")

@agent.on_data(source)
def inspect(data):
    advice = rule_engine.evaluate(data)
    if advice.risk_level == "high":
        agent.notify_mes(work_order=advice.to_work_order())
        agent.log_decision(reason=advice.reason)

4.5 第五步：灰度运行与持续治理

上线后不要急于全自动。按风险分级逐步放权，同时记录两类指标：

• 业务指标：误报率、漏报率、平均响应时间、设备停机时长；
• 工程指标：知识规则命中率、智能体在线率、接口调用成功率。

根据指标反哺标准与知识库，形成“运行—评估—优化”的闭环。

5. 典型实践案例

5.1 案例背景

某汽车零部件工厂在冲压与焊接车间试点 SKII 规范，部署了三类智能体：设备预测性维护智能体、能耗优化智能体、质量趋势预警智能体。

5.2 实施要点

• 标准化先行：先用两周时间统一了 2000 余个测点的命名与单位，打通 OPC UA 数据链路；
• 知识双轨沉淀：一方面把老师傅的 60 多条经验规则结构化，另一方面用历史数据训练趋势模型；
• 互操作接入：智能体通过统一网关与现有 MES、安灯系统对接，不改变原有业务流程；
• 智能分级放权：首月全部采用“建议模式”，误报率稳定在 5% 以下后才对低风险场景开启半自动执行。

5.3 实施效果

经过三个月的运行，试点车间设备非计划停机时长下降约 23%，能耗相关决策响应时间从小时级缩短到分钟级，同时所有智能体动作均实现了可追溯的决策日志。

6. 常见误区与注意事项

落地 SKII 过程中，有几个高频误区需要警惕：

• 把规范做成“大一统平台”：SKII 是约束与约定，不是要取代现有系统；强行重构只会增加阻力。
• 只重技术，不重知识工程：忽视老专家的经验抽取，智能体容易变成“数据孤岛里的黑盒”。
• 一步到位全自动：工业场景容错率低，必须坚持“建议—半自动—全自动”的渐进式放权。
• 在线学习不受控：模型漂移是工业智能体的隐形杀手，任何学习更新都要经过验证与审批。
• 忽视决策审计：没有决策理由和日志的智能体，出事后很难复盘，也会失去一线人员的信任。

7. 总结与展望

SKII 规范为工业智能体的规模化落地提供了一套务实的框架：以标准打通数据与接口，以知识沉淀工厂经验，以互操作融入既有系统，以智能约束保障安全可控。它不是一份束之高阁的技术文档，而是一套需要在车间里反复打磨的工程实践。

未来，随着大模型与具身智能技术进入工业场景，SKII 的四维框架还会持续演进。可以预见，智能体的行为边界、人机协作协议、知识动态更新机制将成为新的焦点。对于正在推动智能制造升级的企业来说，越早建立规范意识，就越能在智能体时代占据主动。