工业 Agent 的六大设计原则：从 0 到 22 篇

系统全貌

技术栈：Java 21 + Spring Boot 3.3 + LangChain4j 0.35 + DeepSeek + TDEngine + Milvus + EMQX + H2

原则 1：Tool 是真正的产品

大多数 AI Agent 项目从「选哪个模型」开始。工业 Agent 从「Tool 怎么设计」开始。

模型会换代，但 Tool 的接口设计、数据质量、错误处理才是系统长期价值的载体。 我换了两次模型，Tool 代码一行没改。

三个 Tool 设计准则：

相关文章：03、04、21

原则 2：数据进入 Agent 前先「瘦身」

工业设备每秒产生数据点，直接喂给 LLM 是灾难。

原始数据 100 行 ≈ 2000 token  →  LLM 看不清趋势
聚合统计 + 最新值 ≈ 200 token   →  LLM 准确判断

压缩比 10:1，判断准确率反而提升。 LLM 不是数据库——它对「一行行数字」不敏感，对「异常比例」「变化趋势」极其敏感。

实现方式：

• TDEngine 超级表 + SQL 窗口函数完成预聚合
• DeviceDataTool 只返回三个字段：latest / stats / alarms
• 正常范围标注（normalRange, status）写在 Tool 代码里

相关文章：19、21

原则 3：CoT 不是锦上添花，是必需品

没有 CoT 时的 Agent 行为：

• 同时查告警 + 查数据 + 检索知识，但结论跳步
• 数据不足时编造数值（「振动大概 4.5」）
• 不管设备是否有故障，每次都创建工单

加上 CoT 后：

@SystemMessage("""
    思考路径：
    1. 数据采集：queryDeviceAlarms + queryDeviceHistory
    2. 知识检索：searchKnowledgeBase（如有异常）
    3. 诊断分析：generateDiagnosis
    4. 工单决策：仅在确认硬件故障时调用 createWorkOrder
    5. 最终输出：状态 → 异常 → 诊断 → 建议 → 工单
    """)

CoT 的价值不是让 LLM「更聪明」，而是让它的推理过程可追溯、可调试、可修正。 工业场景下，你不知道「为什么这样判断」比「判断错了」更危险。

相关文章：21

原则 4：约束比能力更重要

最初 CoT 只写了「1→2→3→4→5」步骤，没有约束。LLM 每次都创建工单——不管有没有故障。

加上一句话后行为收敛：

这条规则没有一行代码——只是提示词中的一句中文。但它比任何 if (alarmCount > 0) 都灵活，因为 LLM 能理解「什么算正常」的语义边界。

在工业 Agent 中，告诉 LLM 不做什么，比告诉它做什么更有效。 三条必加的约束：

1. 数据不足时，输出「无法判断」而不是编造
2. 无告警不创建工单
3. 涉及停机操作时，标注「需人工确认」

相关文章：07、21

原则 5：持久化是闭环的终点

第一版 WorkOrderTool 用 ConcurrentHashMap 存工单。三个缺陷：

• 重启丢失
• 无法查历史
• 无状态流转

改成 H2 + JdbcTemplate 后：

工单生命周期：PENDING → IN_PROGRESS → COMPLETED
                ↓                    ↓
            CANCELLED             CLOSED

Agent 的交付物不是「正确回答了问题」，而是「产出了可追溯的交付物」。 诊断是对的话术，工单是交付物。

相关文章：22

原则 6：RAG 填补 LLM 的工业盲区

通用 LLM 不知道「轴承温度高」和「齿轮箱温度高」是不同的问题。工业知识库补上这块。

用户：「轴承温度过高」
  → Embedding 检索 → 轴承温度过高 → 润滑油劣化/轴承磨损/负载过大
  → BM25 检索    → "轴承" 精确命中维修手册
  → RRF 融合      → Top-3 最相关维修方案
  → LLM 推理      → 结合实时数据给出根因

关键决策：

• Embedding 模型选型：AllMiniLmL6V2 384 维，ONNX 本地运行，不需要 API
• 混合检索：Dense + BM25 → RRF 融合，比纯向量检索命中率提高 20%+
• 分块实验：500 chars 平衡了上下文完整性和检索精度

相关文章：12、13、14、15、16、17、18

六条原则总结

下一步

Phase 2（工业 MVP）到此结束。22 篇文章覆盖了从「第一个 Agent」到「工单闭环」的完整旅程。

Phase 3 进入进阶模式——多 Agent 路由、Supervisor、HITL、MCP 协议。从一个 Agent 变成多个 Agent 协作，从一问一答变成自主推理链。

代码仓库：github.com/LaoLiang-ag…