★ 和利时集团中央研究院智能软件平台研究所 胡鹏飞，余芳

在工业数字化转型的深水区，传统工业软件面临开发门槛高、交付周期长、灵活性不足的困局，难以快速响应企业灵活多变的生产需求。随着AI技术的突破性发展， 特别是以Manus、OpenClaw为代表的自主智能体（Agentic AI）的兴起， 软件构建模式正从传统手工编码迈向智能编排（Agentic Orchestration）新时代。XMagital智能系统， 以工业世界模型XWorld为核心引擎，通过智能编排灵活构建工业智能应用，打造工业智能系统“自由定义”的全新范式。

1   工业软件系统的构建模式演进

工业场景面临复杂性和多变性的严峻挑战，这体现在生产全流程、多维度的动态变化中，具体包括：一是需求动态化，市场需求的快速迭代推动生产任务、产品规格、工艺参数频繁调整；二是工艺复杂化，高端制造、流程工业等领域的工艺环节多、约束条件严格、生产组织模式复杂、多工序协同需求突出；三是风险多样化，生产过程中可能出现设备故障、原料成分波动、环境变化等突发情况，要求软件具备自适应性与快速响应能力。此外，随着智能制造的深入，工业场景已从单一环节自动化向全流程智能化延伸，对工业软件的知识沉淀、自主决策、动态优化能力提出了新的需求。

在工业数字化转型的深水区，传统工业软件的痛点日益凸显：各类软件接口分散、知识体系碎片化，专业操作门槛高，往往需要算法工程师与工艺工程师协同投入大量时间，才能完成自动化场景的定制与调试，难以快速响应企业灵活多变的生产需求。正是基于上述困境，工业软件系统开始逐步演进，从被动适配场景向主动响应需求、从刚性架构向柔性架构、从预定义规则驱动向智能自主运行转变，形成了以下四个阶段演进路径如图1所示。

图1 工业软件构建方式的演进

（1）第一阶段：单体套装软件的手工编码

通过传统的纯手工编码模式构建单体软件，虽然执行效率高，但组件之间刚性集成，敏捷性、柔性、韧性等性能不佳；一旦生产需求、工艺参数发生变化，需重新编码、重新部署，响应周期长、成本高、对软件专业人才依赖度高。

（2）第二阶段：“平台+工程组态”的低代码/无代码开发

低代码/无代码开发通过提供可视化拖拽组件、预设模板、简单配置等方式，降低了工业软件开发的技术门槛，让非软件专业技术人员也能参与软件构建，实现软件的快速定制与迭代。但该开发模式核心逻辑仍以“人为主导”，所有软件功能、流程逻辑都需人工事先确定，无法应对工业场景的动态变化与复杂约束，组件的灵活性有限，难以适配个性化、高复杂度的需求。

（3）第三阶段：基于“规则+流程”的预编排方式

传统工业软件被拆分为较小颗粒度并具备标准化接口的单元、模块、服务等组件，通过手动编码结合流程、规则模板的方式，通过组件的模块化组合构建符合场景需求的软件系统。通过拆分原子化组件，解决了传统软件“不可复用、难以协同”的问题。但是，该阶段的软件构建仍以“规则驱动”为主导，组件的组合逻辑、流程规划仍需人工事先设计，无法应对工业场景的动态变化与不可预测性；当工业场景的约束条件复杂、生产需求频繁波动时，人工的效率低下，无法实现自主优化。

（4）第四阶段：智能体驱动的自由编排

以Manus、OpenClaw为代表的智能编排模式，依托大模型形成自主智能体，实现多智能体的自主运行和动态优化，成为工业软件系统新的演进方向。使用人员仅需通过自然语言描述软件系统的目标需求，智能体即可自主解析需求、拆解任务、匹配组件，快速生成适配场景的软件流程，无需人工设计规则。该模式将大模型的自然语言理解、复杂任务拆解、自主推理能力与工业场景的机理模型、数据驱动模型深度融合，实现“需求输入—意图识别—任务拆解—功能匹配—流程编排—协同执行—实时反馈”的全流程自动化，动态调整编排逻辑，应对设备故障、工艺波动等突发情况，提升系统的韧性与可靠性，实现软件系统的智能适配与自主决策。此外，该模式解决了知识沉淀与复用的问题，可沉淀积累工艺知识、工业Skills库。

2   智能编排的总体架构设计

2.1   智能编排的总体框架

XMagital通过智能编排，打造基于自然语言交互和目标驱动的工业软件系统自由定义新模式，其核心构成如图2所示。智能编排以自然语言交互和意图驱动的方式，在现有工业软件系统基础上进行智能化应用构建，也可以针对工业场景跨系统集成复杂、操作步骤多、规程资料多等痛点，原生构建工业智能体，以AI技术赋能工业软件智能化升级。

图2 XMagital的核心构成

智能编排以工业智能底座XBase为基础，以工业世界模型XWorld为核心驱动，深度融合本体模型、机理模型、时序模型和决策模型，并结合智能编排、工业知识融合、人机交互与协同等关键技术，通过构建“自然语言交互—意图识别与理解—任务拆解与规划—功能匹配—流程编排—执行管理”全流程框架及工具，自动调度和编排工业Skills（包含原子化能力单元和场景化能力单元），构建工业智能应用，改变传统以硬编码方式进行工业软件系统构建的方式（依赖人为预先设计好的规则和逻辑）。

图3 智能编排的总体框架

智能编排的总体框架如图3所示，核心包含人机交互、工业软件系统/Skills、多智能体协同编排、工业世界模型XWorld、工业智能应用等部分。

• 人机交互（交互层）

提供统一的交互入口， 用户通过文本、语音、图像等多模态输入表达业务需求， 系统将其自动转化为可执行指令。系统通过“人在回路（Human-in-the- Loop）”机制，在意图不明确、信息缺失时主动发起多轮交互，注重人在关键环节的决策作用。

• 工业软件系统/Skills（技能层）

对于现有的工业软件服务（数采服务、时序服务等）、工具（工程数据组态、工艺流程编排等）、应用系统功能模块（DCS、设备管理等）、已构建的Agent （智能PID整定Agent、偏差分析Agent）等组件，都是智能编排的调度对象，通过将这些异构能力组件统一封装为标准化、可组合、可调度的技能单元，实现技能统一注册、适配与全生命周期管理。编排时智能体精准匹配所需技能，依托高并发调度完成资源分配与运行管控，确保业务高效稳定运行。

• 多智能体协同编排（编排层）

采用多智能体（Multi-Agent）协同架构，通过意图识别Agent、任务分解Agent、任务执行Agent、编排与验证Agent，分别负责语义理解、任务拆解、逻辑规划、工具匹配及仿真验证。通过模板沉淀与模板匹配机制，可沉淀各类场景的成功编排案例/行业最佳实践，形成标准化编排模板，供后续任务复用。

• 工业世界模型XWorld（模型层）

依托XWorld认知引擎，智能编排整合了工艺知识、运维经验、参数标准等内容，通过文档解析与向量化等技术实现知识的快速检索与调用，同时支持企业灵活接入外部专属知识库，并具备历史对话、编排方案等内容的自动沉淀能力。通过融合工业知识，系统能精准识别专业术语与业务逻辑，读懂需求背后的核心诉求，并调用工艺经验和专家规则为意图理解、任务拆解与逻辑规划提供专业支撑，确保编排方案符合工业生产实际。

• 工业智能应用（应用层）

智能编排可生成三类应用成果：一是工业APP，依托现有系统接口与行业知识库完成流程编排，经离线验证后即可部署上线，正式运行阶段无需大模型参与；二是单体工业Agent，涵盖生产调度、工况异常处置等专用Agent，支持离线编排与在线运行，亦可实现在线动态编排调整；三是多Agent协同体系，面向复杂工业场景，统筹调度多个Agent协同作业。

面向工业核心场景，智能编排可支撑搭建生产控制优化、生产计划调度、设备资产管理、安环质量管理、经营决策管理等智能APP/Agent。

2.2   智能编排的技术架构

智能编排的技术架构如图4所示。工业场景下的智能体构建并非对现有基础设施与软件系统的替代，而是以已有软硬件系统为落地基座， 通过AI友好化的封装和适配性改造，实现原有系统的智能化接入，构建适配AI、便于智能体统一调度的标准化接入体系。平台所采用的智能体编排框架为多智能体协同架构，支持智能体的自动化生成与迭代构建，整体架构基于ReAct推理框架设计，搭载主控智能体，以及意图识别、任务分解与任务规划等多类子智能体，各模块分工明确、协同运作，共同完成复杂工业任务的拆解与执行。在智能体生成与编排全过程中，系统可调度封装完备的工业技能组件，结合工业领域专属知识库与基础大模型开展推理决策，保障智能体输出结果贴合工业业务逻辑与生产规范。工业技能一方面可通过将现有的APIs、软件系统进行标准化生成，也可以调度SDD开发智能体自动实现代码补全或新组件生成， 并实现对工业Skill库的管理。在编排完成后，可将成熟的编排方案/行业最佳实践沉淀为智能编排模板库，供后续任务复用，提升编排效率。针对工业场景严苛的安全性与可靠性需求，该编排体系嵌入权限校验、安全审计等全流程安全管控机制，同时引入多轮人机交互机制完成需求澄清，在关键决策与执行节点设置人工确认环节，实现智能体编排与工业任务执行过程的全流程可控、可追溯、可校验。

图4 智能编排的技术架构

3   智能编排的核心技术

智能编排的能力源于工业Skill、工业知识融合、编排模板沉淀和人在回路机制等核心技术的深度融合，共同实现“低门槛操作、智能化编排、安全高效执行”的核心目标。

（1）工业Skill

工业Skill库作为系统的原子能力底座，将工业场景中现有的软件系统功能，以及成熟的工具、API、 Agent、MCP服务等异构能力进行统一封装为标准化、可组合、可调度的工业技能单元Skill，形成可复用的能力单元库。每个工业Skill都是围绕具体工业任务构建的能力模块，例如离散事件仿真、流程挖掘、智能设计、数据查询等。这些Skill既可通过智能编排实现复杂任务，也可融合机理模型、统计模型与行业算法，成为真正“懂工业”的能力载体。

工业Skill注册管理能力可以实现工业Skill的快速注册、标准化适配与全生命周期管理。系统制定统一的工业Skill接口规范，涵盖功能描述、参数格式、通信协议、调用方式等核心维度，系统自动完成适配、参数匹配与标准化封装，实现工业Skill的“统一接入、统一调度、统一管理”。

Skill检索与调度能力贯穿智能编排全过程， Agent在任务拆解与Skill匹配阶段，会通过检索算法，快速定位适配的工业Skill，结合接口匹配能力，确保调用的Skill与当前任务需求精准匹配。同时具备高并发动态调度能力，对工业Skill进行资源分配与运行管控，避免高并发场景下的资源冲突与调用拥堵，保障系统稳定执行，提升资源利用率与并发处理能力。

（2）工业知识融合

智能编排通过工业世界模型XWorld的工业知识库支撑，整合工艺知识、运维经验、参数标准、故障处理方案等内容，通过文档解析、分块、矢量化等技术手段，便于Agent快速检索和调用。同时，支持知识加载外挂模式，企业可根据自身个性化需求，灵活接入外部专属知识库（如工艺手册、行业规范、历史生产案例等），实现知识的灵活扩展与快速调用。此外，系统具备知识自动沉淀能力，将历史对话、编排方案、执行结果、人工指导等内容自动沉淀到知识库中，持续丰富知识体系。

通过融合各类工业知识，能够精准识别工业场景中的专业术语、业务逻辑，读懂自然语言需求背后的核心诉求，避免因语义歧义导致的编排错误。同时，能够快速调用知识库中的工艺经验和专家规则，为任务拆解和逻辑规划提供专业支撑，确保编排方案符合工业生产实际规律。

（3）编排模板沉淀

通过模板沉淀与模板匹配技术，系统会自动沉淀各类场景的成功编排案例/行业最佳实践，形成标准化编排模板。当用户提出需求时， Agent会快速进行模板匹配，结合当前场景的参数对模板进行适应性修正，大幅缩短编排周期。通过编排模板库管理，沉淀行业最佳实践与专家经验，实现能力的复用、扩展与组合，提升执行效率。

（4）人在回路机制（Human-in-the-Loop）

通过人在回路机制，当遇到模糊需求、复杂场景或编排逻辑存疑时，系统通过AGUI动态交互能力主动发起需求澄清、人工确认，根据任务复杂度、用户角色与操作习惯自适应生成交互界面与提示信息，向用户精准反馈疑点与可选方案；在接受人工指导后，结合交互数据持续优化编排策略与界面呈现，形成“智能感知— AGUI交互—人工干预—编排迭代”的闭环，提升复杂工业任务编排的可靠性与易用性。

人机协同交互是提升智能编排准确性、适配性的关键，其核心是结合人工指导与数据反馈，实现“编排—执行—反馈—优化”的持续进化，既保留智能化优势，又规避生产风险。通过人机交互，也可以将工程师的经验知识进行收集、注入、沉淀，实现知识积累。

4   智能编排的整体工作流程

智能编排的整体工作流程围绕“需求输入—意图识别—任务拆解—计划生成—分步执行—Agent编排—验证—模板沉淀”8个关键步骤展开，依托编排架构与核心技术， 实现从业务需求提出到最终落地执行的全流程自动化，其工作流程如图5所示。

图5 智能编排的工作流程

（1）需求输入： 用户以自然语言形式描述工业业务需求， 可包含生产调度、设备运维、工艺优化、数据查询等各类工业场景诉求，同时可上传相关场景参数、约束条件等辅助信息， 完成需求提交，作为整个编排流程的初始输入。

（2）意图识别：交互层对用户输入的自然语言需求进行深度处理，通过意图识别技术、业务术语规范化处理，精准捕捉用户需求核心诉求， 将模糊、口语化的需求转化为清晰、无歧义的业务意图；在意图识别过程中， 需要经过多轮人机交互，对需求进行澄清，确保意图理解无偏差。在意图识别的同时，通过检索智能编排模板库，如有符合需求的模板， 将直接复用并生成编排结果。

（3）任务拆解： 结合工业知识库中的专家经验与工艺规则，对识别后的清晰业务意图进行拆解，通过专业任务拆解算法，将复杂业务需求拆解为若干个可独立执行、有明确边界和优先级的子任务，为后续计划生成奠定基础。

（4）计划生成：在任务拆解完成后，将结合各子任务的优先级、执行约束条件、资源需求，规划各子任务的执行逻辑、先后顺序、资源分配方案， 明确每个子任务的执行标准和预期结果， 生成完整、可落地的智能编排计划。

（5）分步执行： 按照生成的编排计划，逐步触发各子任务的执行指令， 优先调度高优先级子任务，同步协调各子任务的执行进度，避免资源冲突，确保每个子任务按照执行逻辑有序推进，为后续Agent编排和落地执行做好衔接。

（6）编排：以Agent为调度单位，实现子任务调度、Skill调用、参数匹配、状态监控等工作，并结合工业知识融合能力，确保编排过程的智能化、灵活性和准确性。在编排过程中，如果现有Skill库中的能力单元无法满足编排需求，可以调度SDD开发功能进行代码开发，动态补全Skill能力。通过编排，将生成一个满足用户需求的智能软件系统或智能体。

（7）验证：在编排计划执行过程中及关键节点，系统对各子任务执行结果、编排逻辑进行双重验证， 一方面通过方案仿真技术模拟执行全流程，排查参数冲突、逻辑漏洞及生产风险；另一方面对编排的结果进行校验，确保符合执行标准，若验证不通过则及时触发优化调整，保障编排方案的合理性与安全性。

（8）模板沉淀：对于编排的结果，如果判定具有可复用性，可以将其存储为模板，供后续其它编排任务进行复用。智能编排具备模板库管理能力，可实现模板的沉淀和积累。

5   应用场景示例

为进一步验证智能编排的实用性与适配性，本示例结合氯碱工业的一次盐水折流槽pH智能控制场景为例， 利用智能编排能力， 构建一个一次盐水折流槽pH智能控制系统，并详细介绍系统的落地应用过程。 一次盐水折流槽pH智能控制是氯碱工业中的核心工艺控制场景，折流槽作为盐水精制过程中的关键设备，其出口pH值的稳定性直接影响后续电解工序的产品质量和设备安全。

智能编排统一入口：通过统一Chat入口进行交互，为用户提供一站式操作体验，无需切换多套系统，即可完成从Skill标准化到场景编排的全流程操作。

Skill智能注册：作为工业Skill标准化与参数传递技术的核心落地载体，支持Skill的快速注册、标准化与封装，为编排提供可使用的现有软件系统功能组件、 APIs等能力。

知识库管理：依托知识库管理与知识加载外挂技术，搭建了氯碱工业专属知识库，整合了一次盐水折流槽pH控制的工艺参数、运维经验、故障处理方案等专业知识，通过上传PDF、Word、Markdown等各种格式原始文档，系统将文档通过解析、分片、 Embedding等处理存入矢量库， 供智能编排后续各环节检索使用。

编排过程：系统接收到用户需求输入后，先进行需求的多轮交互和澄清（控制对象关键参数、现场工况约束），实现意图识别，将“一次盐水折流槽pH智能控制系统”的自然语言需求解析为明确的业务目标；随后基于行业知识库完成任务拆解，把整体控制目标拆分为控制逻辑构建、控制模型构建、控制参数整定、安全联锁控制逻辑、仿真验证等子任务；然后生成可执行的编排计划，按优先级分步推进执行；再通过多智能体协同，将注册好的工业Skill进行统一调度与组合，最终形成可直接运行的工业智能体；经过方案测试验证与用户确认无误后，该智能体正式落地执行，实现pH值的自动闭环控制；最后系统采集运行数据与执行效果，完成反馈优化并沉淀经验到知识库，形成全流程闭环，编排过程具体如图6所示。

图6 智能编排的编排过程

在该场景中，基于智能编排框架和工具，通过自然语言输入及人在回路的多轮交互，构建了一次盐水折流槽pH智能控制系统，大幅降低了工艺控制的专业门槛，为氯碱工业及同类工艺场景的智能化升级提供了可参考、可推广的解决方案。

6   总结

XMagital通过智能编排机制打造了工业AI自由定义的新范式， 以工业世界模型XWorld为核心驱动， 通过智能编排，实现工业智能APPs/Agents的构建从传统开发向自由编排转变。这一模式在高效复用既有工业软件资产的同时，以技术创新打破专业壁垒，真正实现低门槛、智能化、高效化的工业智能系统构建，为工业数字化转型提供了一条切实可行的新路径。

摘自《自动化博览》2026年8月刊