引言：当为了更换破碎的电脑屏幕而去portal门户查找和操作资产管理系统、内部商城、填写申请保外维修时，当看到为了统计某个不起眼的指标，业务、市场、研发、财务轮番上场争吵不休而成就感满满时，当看到现场工程师需要大量和反复培训才能学会使用软件时，我在思索，做了这么多年企业数字化，为什么大部分企业仍然面临着流程割裂，数据割裂，软件难用的问题？当看到国家1月份在工业和人工智能融合领域密集发文时，当使用vibe coding编程，AI和我一起探讨需求，拆解任务，编码、测试时，当看到某TPT通过对话就能优化化工工艺流程时，当看到openclaw造成的全民疯狂时，我意识到，Agentic AI的新时代真的到来了，企业的数字化又将迎来新的一轮洗牌。面对新一轮技术变革，个人，企业和行业如何顺势而为，如何从旧形态快速变为新形态，又让我陷入深深的沉思……

1. 觉醒——我们站在怎样的历史节点上？

1.1 礼崩乐坏的世界格局

世界重新进入弱肉强食的战国时代，道德和规则越来越没有约束力。各国正通过各种途径增强实力和话语权。在全球科技竞争白热化的背景下，中国正以前所未有的战略决心加速人工智能与工业数字化布局，通过密集政策部署抢占未来发展制高点。2025年8月，国务院发布《关于深入实施“人工智能+”行动的意见》，系统部署六大重点行动。2026年初，政策出台尤为密集。工业和信息化部等八部门联合印发《“人工智能+制造”专项行动实施意见》，提出到2027年推动3-5个通用大模型 在制造业深度应用，推出1000个高水平工业智能体，打造100个工业领域高质量数据集，推广500个典型应用场景。同时，工业和信息化部印发《工业互联网和人工智能融合赋能行动方案》，深化人工智能与工业互联网融合应用，目标到2028年推动不少于50000家企业实施新型工业网络改造升级，在20个重点行业打造高质量数据集。这些政策形成了“人工智能+”与新型工业化双轮驱动的战略体系。
2025年中国人工智能核心产业规模已突破1.2万亿元，企业数量超6000家。开源模型全球下载量占比17.1%，反超美国位居第一。中国凭借完整的工业体系、丰富的应用场景和数据资源，正从技术追赶者向规则定义者转变，为赢得新一轮国际科技竞争奠定了坚实基础。

1.2 AI技术的持续进化

人工智能（AI）近五年的发展轨迹呈现出加速涌现、范式转变和深度融合的特征，其核心驱动力从大规模预训练模型转向智能体（Agent）和世界模型，并快速向产业和物理世界渗透。可以说，数字化的边界，就是人工智能控制物理世界的边界。
2026年3月OpenAI发布的GPT-5.4,成为世界上第一个可以直接操作电脑的模型，在上下文管理，推理逻辑，减少环视等方面有显著提升。AI智能体已成功跨越概念验证，迈入“技术-产业”深度融合的关键爬坡期。MCP,A2A等开放协议，工程化框架（如LangChain、AutoGen）等组件日渐成熟，使得智能体管理和协作更具备工程化能力。面对复杂任务规划能力更强的DeepAgent也开始展露头角，大大降低了编排难度。

1.3 AI产业生态日渐繁荣

商业生态空前活跃，形成了科技巨头、AI原生创业公司、行业转型者三层互补的产业格局。多元化商业模式（如订阅制、按成果付费）正在探索。国内市场在 “政策+场景”双轮驱动下，呈现百花齐放的繁荣生态。科技巨头依托深厚积淀，构建了差异化平台：阿里（百炼/千问），字节跳动（Coze），腾讯（元器） ，科大讯飞(astron)、智谱AI、月之暗面等AI原生公司，在长文本、教育、企业服务等垂直领域实现单点突破。
这些平台与产品共同推动了智能体在制造、金融、政务等核心行业的规模化落地，形成了互补竞争、协同共生的良性生态。中国正凭借独特的场景红利与技术迭代，成为全球智能体产业发展的核心增长极，产业爆发“临界点”前夜的特征日益明显。

1.4 数据集建设成效显著

我国高质量数据集建设已取得显著成就，形成了覆盖交通、能源、工业、医疗等关键行业的规模化供给体系，涌现出众多TB级多模态行业数据集典型案例。这些数据集通过构建“采集-标注-治理-应用”全链条技术体系，有效解决了数据孤岛、质量参差等难题，为人工智能提供了坚实的数据底座。其核心支撑作用体现在：直接赋能国产大模型的训练与迭代；精准驱动垂直行业智能化转型，如在工业质检、故障预警等场景中使模型准确率普遍提升至90%以上；显著降低AI技术落地门槛，加速“行业大模型+场景微调”的应用范式普及，成为释放数据要素价值、推动产业数字化升级的关键引擎。“十五五”规划将人工智能作为新质生产力核心，工信部“工业数据筑基行动”明确为AI应用准备高质量数据燃料。
** 历史的三重力量——百年未有之大变局、加速进化的技术、宝贵的数据沉淀——在此交汇，将我们推到了一个必须做出选择的十字路口。**

2. 路径——企业和个人将何去何为？

处于AI Agent爆发前夜，传统企业，软件供应商和个人应该怎么办吗？有人说，技术迭代太快了，跟也跟不上。而我想说，技术迭代快，从来不是用来让人焦虑的，而是用来筛选坚持与定力的。不积跬步，无以至千里，一步一步走，自然能跟上时代。。

2.1 数字化程度很高的企业

2.1.1 实现从数据驱动到目标驱动的范式跃迁

当前建设的ERP,MES,PLM,SCM等等系统运行良好，包含丰富的know-how和海量的数据资产，能够很好的支持业务运转，但也存在几个瓶颈：
1.“数据孤岛”与“流程霸权”： 系统间数据不通，流程僵化。员工需要像“人肉API”一样在不同系统间切换、搬运数据、适应机器的固定流程。
2.“人适应系统”而非“系统服务人”： 复杂的菜单和功能页面，繁琐的操作流程让非专家望而却步。
3.“事后记录”而非“实时决策与预测”： 现有系统擅长记录“发生了什么”，但无法主动判断“该做什么”。
智能体的出现可以最大限度打破上述瓶颈：
1.智能体通过MCP等协议，能安全地打通系统，并以“目标”为导向，自动串联流程。
2.智能体提供自然语言交互界面（LUI），让任何员工都能像指挥专家一样操作所有系统。
3.智能体具备感知、规划、推理能力，能实时分析数据，主动预警、推荐甚至执行最优决策。
这不是要“替换”现有系统，而是要为它们装上 “智能大脑”和“协同神经”，实现从“流程驱动”到“目标驱动”的范式跃迁。

2.1.2 单点价值验证–>局部工程优化–>生态体系融合的三阶段渐进式策略

第一阶段：价值验证与能力探索（6-12个月）
目标：在封闭、低风险的单点场景中验证可行性，建立核心团队与评估标准。
核心行动：
1.找到规则明确、错误成本低的场景，对已有系统的几个功能（可能对应几个按钮）进行Rest API改造，使用低代码agent搭建平台，如扣子、astron、各种龙虾，快速验证技术可行性、经济可行性。或采用python代码创建智能体，直接和llm交互，熟悉原理，实现一个典型场景和简单工作流的构建。
2.成立包含业务、技术、数据和运营团队的攻坚小组，跑通整个业务链路，学习经验，达成共识，未后续投入奠定基础。
第二阶段：工程深化与平台化准备（12-24个月）
目标：将验证的能力工程化，构建可复用的技术底座，并建立初步治理框架。
核心行动：
1.面向某个或某几个不同特点的业务域，如生产管理（重流程和交互），SCADA(重监视和控制)引入Harness Engineering工程方法，选择CrewAI（多角色）、LangGraph(复杂流程和状态)进行整体改造。
2.改造过程中，尝试进行MCP协议改造，构建MCP服务器和统一网关。同时，依托该领域知识和经验，进行Skills化，让多个智能体有经验的进行工具调用。
3.为减少幻视、上下文限制等情况，可以在原来数据治理的基础上，构建向量数据库和图数据库，进行经验固化，让AI能理解。比如，生产管理系统说明手册、排产经验、工艺文件，MDM数据结构，设备故障及时序数据特征等。
4.总结形成比较完备的工程实践经验，搭建成熟的组织团队。
第三阶段：规模化与生态融合（24个月以上）
目标：使智能体成为可规模化复用的企业能力，驱动组织与业务流程重构。
核心行动：
1.改造工业互联网平台，形成新一代的Agent OS系统。将各业务域的系统进行封装，将各业务域的经验进行Skills化，形成智能体工厂。通过A2A协议实现多智能体协同，建立全新的企业数字化架构。
2.不断驱动组织和文化变革，将智能体视为可靠的数字化员工，形成“人-机”写作的新型组织体系和管理形式。

2.2 工业软件供应商

2.2.1 会面临越来越大来自客户和市场的双重压力

1.客户需求已变：制造企业不再需要功能孤岛，而是能打通全流程、理解业务意图、主动协同的智能伙伴。若软件无法以智能体形态融入客户的数字化生态，将迅速被边缘化。
2.竞争格局已变：面临双重挤压。一是平台巨头（如微软Copilot）正构建企业级智能入口，若不能作为“能力插件”接入，将失去生态位；二是AI原生创业公司正用智能体范式颠覆垂直领域，绕过传统软件复杂界面。
3.价值逻辑已变：商业模式正从“卖功能许可”转向“卖价值成果”。通过提供“数字专家”订阅或按效果分成，能建立更深客户绑定与更高利润空间。同时，软件自身也从“工具”升维为智能体生态中的关键能力节点与标准制定者。
不转型，产品将沦为难以协同的“数据孤岛”，在价值链条中持续贬值。

2.2.2 短期可以没有，但必须行动起来

1.成立“智能体战略事业部”：由最高管理层直接领导，统筹产品、生态和商业模式的转型。
2.发布“MCP适配路线图”：在6-12个月内，将核心功能的MCP接口作为最高优先级产品特性发布，向市场和客户明确您的生态战略。
3.启动“旗舰产品智能体重构”项目：选择一款最具优势的产品，开发其原生智能体助手，作为下一代产品的标杆。
4.寻找早期生态伙伴：与一两家领先的制造企业或平台巨头，共同打造标杆性的智能体协同案例。
不变革，则出局。 未来的工业软件，将不再是功能列表的竞赛，而是 “谁更能理解工程师的意图，并调动全域资源将其实现” 的竞争。智能体架构，就是这场竞争的新赛场。

举个例子，比如首先实现一个静力学分析智能体，它的大概逻辑如下：
在仿真领域智能体流程，（workflow为主+关键节点嵌入agent ReAct混合编排）：

1. 输入节点：用户输入描述：请对这个零件进行静力学分析（零件的结构介绍，边界条件介绍，材料介绍，零件CAD图片，namedslection图片标注，载荷和约束图片标注）
2. 参数规划和确认节点：智能体收到命令，捕捉静力学分析关键字，如材料，分析类型，零件分类等，调用专家知识库推荐最佳设置，让用户确认。用户可以选择接受，或者多轮对话后形成最终交给工具的参数。
3. 执行节点，按照工作流执行：
4. 节点1，选择合适的软件，求解器和算法，如ansys mechanical static;匹配合适的工具selectsolve api
5. 节点2，读取几何文件进行集合处理和命名； 匹配合适的工具，importgeo api
6. 节点3，进行网格划分;匹配合适的工具 mesh api
7. 节点3，网格划分检查，调用网格检查Skills（封装网格质量判断经验和优化方法），采用ReAct，动态规划修改某些参数，进行网格划分，观察结果。重复这个过程直到检查通过。
8. 节点5，进行载荷和约束加载; 匹配合适的工具load api
9. 节点6，设置合适的参数进行求解 ，匹配合适的工具solve api
10. 节点7，求解检查，调用求解Skills（封装求解调优经验，失败重启动经验），采用ReAct,动态修改求解参数，进行重新求解，直到求解成功。
11. 节点8，计算生成静力分析的结果并输出 ，匹配合适的工具result api

2.3 普通工程师

对个人而言，“爆发前夜”恰恰是个人建立认知差和技术护城河的黄金窗口。当浪潮真正铺开时，准备充分的人将成为领航者，而非被动的适应者。

2.3.1 完成身份的转变

1.以少写代码为荣：工程师的核心价值不再是产出代码行数，而是指挥vibe coding智能体干活的指挥者，决策者和架构师。
2.从“调试程序”到“调试智能体的认知”：当智能体出错时，需要学会为智能体构建反馈闭环（如自动化测试、静态分析、结果验证）。
3.从“实现功能”到“定义意图与验收标准”：用清晰的自然语言和结构化数据（Spec）描述需求，并设计评估体系（Evals）来判断智能体的产出是否合格。
4.非软件工程师，将经验封装成可供别人使用的Skills，成为智能体经济中的核心贡献者。

2.3.2 务实的行动计划

1.带有目的性的学习：建立系统性思维和知识框架，思考一个可以尝试的场景或项目，带着目的去学习，而不是被快速迭代的AI技术体系迷惑。
2.实战并积累经验：选择手头一个认为很有价值的包含工业know-how的项目，选择一个合适的开发框架进行智能体架构的改造。
在Agent时代，工程师的终极价值不再是“知道如何写代码”，而是 “知道要解决什么问题，并能指挥智能体资源将其实现”。

3. 重构——工业互联网平台的新架构

如果说，前两个阶段是面向业务场景的Agent化改造，是由点到线，由线成面。那么最后一个阶段就是在积面成体，重构企业的底层数字化架构，让他能支持更多的业务应用迁移，持续支持业务演进和技术演进。如果说，对业务域数字化系统的智能体改造让它们形成了原始部落，那么将他们托管到工业互联网平台上，才有机会让原始部落互相融合，才会产生真正的社会分工和国家。而众多的跨行业跨区域工业互联网平台会像一个个国家一样开展贸易，解决双跨领域的难题。
为此，我重新构思了未来的工业互联网平台的总体架构。

1.边缘层，仍然是原来的边缘层，负责数据采集，边缘处理，以及运行于设备和产线的自治体（CPS未来的形态）。
2.基础资源，仍然建立在云架构上，提供计算、网络+存储以及类似KVM资源的虚拟化。如果是多云，则需要云管平台进行资源统一调度和分配。
3.通用PaaS，仍然是原来的PaaS，不过会承载大模型本身。
4.工业数据管理，原来的类似数据中台，负责统一语义，统一模型，数据治理，数据质量跟踪，贯穿采存治服用，避免“垃圾进，垃圾出”。数据平台原来是为了进行数据分析，和数据治理，为上层应用提供统一的数据来源，也会形成多层的数仓，按照主题分类分析，供决策层和应用层搭建新的应用和分析。在新平台上，它主要是为LLM语料库供应高质量的历史数据集。运行时的实时数据仍然来自于其他系统。
5.LLM语料库，成为LLM进行推理规划，上下文理解，知识检索，微调的重要数据来源，决定LLM的智力水平和经验水平。
6.工具能力层，则是Agent能够调用的各类工具，进行工具管理，注册和发现等，为Agent提供手脚。
7.智能体核心层，为智能体提供运行环境，进行智能体管理，注册和发现，多智能体协同，智能体编排和确定性工作流引擎。
8.应用层，未来只有两种形态：统一的超级对话框，通过应用层调度智能体实现对语义的捕捉而路由到不同的智能体或流程，更适合操作复杂，交互多的业务管理，研发管理类软件；带有智能助手经过改造的传统软件，通过软件内嵌对话框实现功能交互，更适合于交互少的监控类软件。
总之，过去，工业互联网平台是“连接器”，软件是孤立的“功能岛”。未来，平台将演变为 “智能体操作系统”，负责调度、协同与治理；而工业软件，则演变为标准的、专业的“工具集”，随时等待被智能体调用。交互范式从“人操作多个软件”变为“人指挥智能体，智能体调度万般工具”。

4. 冷思考——AI Agent是解决问题的“银弹”吗？

这么美好的愿景，和当初所有技术诞生时都宣称要改变世界一样。但作为见证过多轮技术周期的从业者，我认为必须警惕技术乐观主义。智能体并非魔法，并不能解决所有问题。
1. 它没有解决“脏活累活”，反而要求更高：智能体无法自动统一混乱的业务语义。将“订单确认”映射到“生产排产”，仍需要人工定义。这本质上是将集成逻辑从传统的中间件转移到了智能体的提示词和代码中，核心工作量并未消失。
2. 可能创造更脆弱的“蜘蛛网架构”：我想不到更简单的平台架构了。这个平台架构简直比原来的平台架构更加复杂，更加难以保证其可用性。尤其是在LLM黑箱的情况下，一个由智能体动态编排、依赖多个API的工作流，其调试、监控和故障定位的复杂度可能呈指数级增长，形成新的运维噩梦。
3. 技术本身难以达到企业确定性要求：当前智能体还存在着幻视的现象，其ReAct机制本身仍然是基于上下文的，任何对提示词的修改都会带来任务执行的不确定性。如果没有高质量的语料，高质量的上下文工程进展，或许很难形成复杂场景的落地，智能体也会变成智障体。
4. 触及组织与商业模式的深水区：大家都说未来智能体可以跨越领域，跨越部门，跨越公司进行自由交流和重组，这带来了新的商业模式和管理模式的挑战，安全隐私的挑战。智能体的跨部门调度，实质是用算法重新分配权力，这首先面临公司内部组织和管理变革。凡是涉及到权力变革的，都会遇到艰难险阻，并不是技术能解决的。
因此，智能体不是替代传统软件、放弃集成、忽略数据治理的“银弹”，而是迫使我们将这些问题解决到更高标准、并在此基础上实现智能跃迁的“催化剂”。它标志着道路的开启，而非难题的终结。

5. 相信——在乐观与审慎之间

LLM的不断进化，使我们看到了超越人类经验的超级大脑的诞生，它能让沉睡的工业知识宝藏更容易被发掘，发挥更大的价值。AI Agent的浪潮，使我们看到不久的将来，人机协作成为日常，人类社会的生产率又将得到极大提升。但我们也能看到，它并没有让我们绕开工业数字化的深层难题——数据治理、语义统一、组织变革与利益重构。相反，它以一种更尖锐、更迫切的方式，要求我们必须攻克它们。
因此，最明智的姿态是：以最大的热情拥抱智能体带来的可能性，同时以最务实的敬畏之心，俯身夯实数据与管理的每一块基石。未来不属于空谈AI的公司，而属于那些能用AI将自己数十年行业知识，以可靠、可扩展、可协同的方式重新激活的企业。道路已在脚下，它既通往智能的云端，也深入数据的沃土。
现在，是时候出发了。