🏭导航收藏不迷路—>制造业数据与AI践行者老蒋的技术博客全系列文章汇总（持续更新）
文章摘要
这篇文章是以虚拟灯塔工厂“智联工坊”为样本，手把手搭建一个具备OEE计算、设备手册检索、排班查询三大能力的制造知识库工具调用Agent。基于LangChain ReAct模式，完整覆盖从数据模拟、向量库构建到命令行与Web界面交互的全流程实战，直击制造现场多系统切换痛点。源码可开源，可直接复用。
开篇：我为什么写这篇文章？
在智联工坊（我们的虚拟智能硬件灯塔工厂）的车间里，班组长小刘每天至少要切换三个系统：查OEE要翻MES报表、设备报警要翻500页PDF维修手册、问排班要打电话给调度室。每查一次，5-10分钟就没了。
本文要解决的痛点：把这三个割裂的动作，整合成一个统一的AI Agent对话入口。班组长只需用大白话问一句，Agent自动判断意图、调用对应工具、秒级返回结果。
适合谁读：制造企业的IT工程师、数据架构师，以及正在尝试将AI Agent引入生产管理场景的开发者。
脱敏声明：本文基于虚拟工厂“智联工坊”场景，所有数据均已脱敏处理，设备型号及故障码均为模拟构造。
正文：四步从零搭建
第一步：理解工程目录骨架
本项目的核心设计思想是 common/ 管基建，cases/ 管案例。每个案例完全独立，互不干扰，后续Case02、Case03可以直接复用common/中的共享能力。文件架构目录如下：
javy21_manufacturing_ai_practice/
├── common/ # 共享基建层（所有案例共用）
│ ├── utils.py # 日志、环境变量加载
│ ├── llm_client.py # 统一LLM加载（Ollama/VLLM切换）
│ ├── chroma_client.py # 向量库单例连接器
│ └── base_agent_builder.py # Agent构建基类
│
├── cases/
│ └── case01_tool_agent/ # 本案例（工具调用Agent）
│ ├── config.py # 专属配置（端口、路径）
│ ├── tools/ # 三个核心工具
│ │ ├── oee_calculator.py # OEE计算器
│ │ ├── manual_retriever.py # 设备手册检索
│ │ └── shift_query.py # 排班查询
│ ├── agent/
│ │ └── builder.py # Agent组装（仅需5行代码）
│ ├── scripts/ # 四步执行脚本
│ │ ├── 01_generate_mock_data.py
│ │ ├── 02_init_chroma.py
│ │ ├── 03_test_cli.py
│ │ └── 04_run_web.py
│ └── web/ # Web对话界面
│ ├── app.py
│ └── templates/index.html
└── data/processed/ # 生成的模拟数据
└── production_records.csv
第二步：Step 1 —— 生成模拟数据
运行 scripts/01_generate_mock_data.py，生成智联工坊三条产线（交互屏组装A线、环境监测校准B线、定位器贴片C线）近7天的产量、良品、排班数据。
cd cases/case01_tool_agent/scripts
python 01_generate_mock_data.py
执行效果：
2026-07-19 11:50:29 – __main__ – INFO – ✅ 模拟数据生成成功: 21 条记录 -> data/processed/production_records.csv
生成的CSV包含以下字段：date、production_line、product、total_output、good_output、planned_time_minutes、shift。
第三步：Step 2 —— 构建向量知识库
运行 scripts/02_init_chroma.py，将设备故障知识（预设5条，可扩展）导入Chroma向量库，用于后续的手册检索。
python 02_init_chroma.py
执行效果：
2026-07-19 11:50:29 – __main__ – INFO – ✅ 向量库构建成功！共 5 条知识
知识库预设内容示例：
-
交互屏E401错误：触摸屏驱动通信超时，请重启工控机并检查USB连接线。
-
环境监测仪A02报警：PM2.5传感器偏移，需使用标准气样重新校准。
第四步：Step 3 —— 命令行CLI测试
运行 scripts/03_test_cli.py，进入交互式命令行测试模式，验证Agent的三个工具是否能被正确调用。
python 03_test_cli.py
启动界面：
🏭 智联工坊 · 制造AI助手 CLI 测试模式
📋 示例命令（可直接复制粘贴）
🔢 OEE 计算：计算交互屏组装A线今天的OEE
📖 手册检索：设备报错E401怎么处理
🗓️ 排班查询：定位器贴片C线明天什么班次
测试用例1：OEE计算
🧑💻 你: 计算交互屏组装A线在2026-07-12的OEE
> Entering new AgentExecutor chain…
Thought: 需要调用calculate_oee工具来计算OEE。
Action: calculate_oee
Action Input: {"line_name": "交互屏组装A线", "date": "2026-07-12"}
Observation: {"line": "交互屏组装A线", "oee": 86.39, "quality_rate": 97.0, …}
Thought: 我已获得OEE计算结果
Final Answer: 交互屏组装A线在2026-07-12的OEE为86.39%
🤖 Agent: 交互屏组装A线在2026-07-12的OEE为86.39%，其中良品率为97.0%，可用性为93.75%。
测试用例2：手册检索
🧑💻 你: 设备报错E401怎么处理
🤖 Agent: 【智联工坊维修手册匹配】
交互屏E401错误：触摸屏驱动通信超时，请重启工控机并检查USB连接线。
测试用例3：排班查询
🧑💻 你: 定位器贴片C线明天什么班次
🤖 Agent: 定位器贴片C线在2026-07-20的排班为：白班
第五步：Step 4 —— 启动Web界面
运行 scripts/04_run_web.py，启动Flask Web服务，在浏览器中体验图形化对话界面。
python 04_run_web.py
浏览器打开 http://localhost:5001，即可看到工业风格的对话界面：
核心代码解析
工具定义（以OEE计算器为例）
每个工具继承 BaseTool，定义 name、description 和 args_schema。description 的清晰度直接影响Agent的意图识别准确率。
class CalculateOEETool(BaseTool):
name: str = "calculate_oee"
description: str = "计算指定产线在指定日期的OEE(百分比)。需要产线名称和日期。"
args_schema: Type[BaseModel] = OEEInput
def _run(self, line_name: str, date: Optional[str] = None) -> str:
# 防御性JSON解析（解决Agent嵌套JSON问题）
if line_name.strip().startswith("{") and line_name.strip().endswith("}"):
data = json.loads(line_name)
line_name = data.get("line_name", line_name)
date = data.get("date", date)
# … 核心计算逻辑
Agent组装
本案例的 builder.py 仅需5行代码——继承 BaseAgentBuilder，覆写 _register_tools() 方法即可完成Agent组装。
class ManufacturingToolAgentBuilder(BaseAgentBuilder):
def _register_tools(self) -> List[BaseTool]:
return [
CalculateOEETool(),
SearchManualTool(),
QueryShiftTool()
]
关于“本地模型 vs 企业GPU”的补充说明：本文代码同时支持Ollama（CPU）和VLLM（GPU）两种模式，可根据具体情况进行灵活配置。
总结：价值提炼
本文解决了什么：通过AI Agent将制造现场三个高频操作（OEE计算、手册检索、排班查询）融合为一个极简对话入口，单次查询从5分钟缩短至15秒。
可复用的方法论：
三层加固策略：Prompt规则约束 + 工具描述语义区分 + _run()防御性解析，确保Agent准确调用工具。
工程架构：common/ + cases/ 隔离策略，支持后续无限扩展，互不干扰。
一鱼多吃：本次实战中产生的6个典型踩坑点，将独立成篇发布在《数据与AI工程排坑笔记》专栏。
智能工厂对标：本方案对应GB/T 39116-2020中 “生产作业”能力域（主域）——提升OEE计算效率；以及 “数据资源”能力域（辅域）——实现知识库的结构化检索。可直接用于国家智能制造能力成熟度三级（集成级）申报材料中的技术佐证。
系列导航
-
本文所属专栏：[AI赋能数据开发工程手册]
-
上一篇：多工具协同Agent实战：用LangChain构建越南市场情报系统-CSDN博客
-
下一篇：《Agent的记忆系统：让智联工坊AI记住班组长偏好》（Case02，即将发布）
关于作者
制造业数据与AI践行者老蒋，23年IT老兵。聚焦制造业数据架构与AI融合落地，主导多个国家级/省级数智化项目申报并成功获批。全流程实战，全源码开源。
交流互动
您在将AI Agent引入制造场景时，是否遇到过工具意图识别不准的问题？欢迎评论区交流。
