研究提出LLM多智能体控制方案用于智能制造，对等与单体架构解决率达93%
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载两种互补的部署角色
工厂正朝着更小批量、更高产品定制化的方向走，这使得柔性且可重构的自动化系统需要频繁重新编程。论文提出把基于大模型的智能体放在两种互补的位置上使用。离线时，它们负责生成确定性的生产序列，从而减少编程工作量；在线时，它们直接操作运行中的机器，处理静态程序无法预料的运行时故障。这一分工的思路是把可预先规划的部分交给离线生成，把不可预知的异常交给在线应对。
模块与工具服务器的配对
论文给出的方案是让每一个工厂模块都配一个专属的、基于大模型的智能体，同时配一个 MCP 工具服务器，由该服务器通过 OPC UA 方法调用把模块的技能暴露出来。智能体之间通过 MQTT 进行协调，并以工厂状态的实时更新作为依据。作者把标准化的 MCP 工具链、基于 MQTT 的智能体间通信以及实时状态注入，视为可用且可复现的基础，用于由大模型编程的智能制造。
三种架构的对比设置
研究比较了三种智能体架构：编排式、对等式和单体式。测试环境是一个物理六模块六边形工厂的仿真，共设置九项复杂度递增的生产挑战，其中包含静默硬件故障检测。结果显示，单体式和对等式两种架构都取得了最高的平均求解率；而编排式架构在全部十次运行中都解决了静默传送带故障，方式是自主让托盘绕开被阻塞的区段重新规划路径。所有架构都表现出涌现出的故障诊断行为，而系统中并没有任何显式的故障处理逻辑。
适用范围与限制
这套方案的落地前提是模块技能能够以 OPC UA 方法调用的形式被 MCP 工具服务器暴露，并且智能体之间具备 MQTT 通信与实时状态注入的条件。论文的验证是在仿真中完成的，对象是六模块六边形工厂，挑战数量为九项，运行次数为十次。对读者而言，这意味着把大模型智能体接入产线控制时，工具接口的标准化与状态回传的实时性，是决定其能否复现的关键环节。
为什么值得看
验证MCP与MQTT结合LLM在工业控制的可行性，展现无显式逻辑下的故障诊断涌现能力。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。