工业多智能体架构模式
1. 一句话理解多智能体架构不是“把很多模型放在一起”，而是把一个复杂任务拆成多个职责明确的智能体，让它们通过路由、分工、通信和汇总来协作完成目标。 它的价值不在于智能体数量多，而在于： 每个智能体只负责自己最擅长的子任务 上下文和记忆可以分层管理 复杂任务可以被拆解、调度、复用和追踪 主入口可以把用户体验保持成一个统一窗口 2. 为什么需要多智能体单智能体适合边界清楚、链路短、工具少的任务；一旦任务同时涉及多个业务域、多个系统、多个知识源，单个智能体就容易出现下面...
工业智能体能力总览
1. 一句话理解AI Native 是一种设计原则，意思是系统从一开始就围绕 AI 来组织入口、工具、数据和反馈闭环。智能体是这种原则下最常见的落地形态之一。 它和传统 App 的核心差别，不是“有没有大模型”，而是“系统的中心到底是功能，还是目标完成”。 2. 三类系统的差别 维度 传统 App AI Powered AI Native / 智能体 核心组织方式 功能入口 + 固定流程 功能不变，局部接入 AI 目标完成 + 工具编排 + 反馈闭环...
工业能耗寻优算法设计
1. 一句话说清楚这套算法本质上是在做一个带约束的非线性最优化： 目标：让涂装车间空调系统的总能耗尽可能低 变量：温度、湿度及相关环境设定 约束：温湿度范围、合理性约束、工艺边界 方法：多起点随机初始化 + 可行方向法 + 约束一维搜索 关键点：不是暴力穷举，而是“先找对方向，再找合适步长”。 2. 当前算法怎么跑2.1 主流程 1. 随机生成多个初始点 ↓ ...
曲线质量分析系统技术架构与数据流转
本文只补充技术实现视角，不重复业务定义。重点说明曲线分析系统的架构位置、数据流转、边缘端计算、云端规则判定和结果回写机制。 与前两篇笔记的关系 前两篇笔记回答“系统要解决什么问题、业务对象是什么、结果如何分层”。 本笔记回答“这些能力在系统里如何实现、数据如何流转、计算在哪里发生、规则在哪里执行”。 三篇笔记的分工是互补的，不应重复定义同一套业务对象。 技术架构总览曲线分析系统从运行位置上可以拆成两大部分： 边缘端：靠近设备和在线节点，负责曲线数据获取、曲线构造...
时间性能分析系统技术实现知识
作为业务领域知识的补充，本文聚焦系统架构、关键算法、数据口径与后续实现方向。内容保持在“可指导实现”的层面，不展开到方法级细节。术语沿用业务文档中的定义，但本文只说明实现映射，不重复展开业务语义。 1. 技术定位时间性能系统的技术目标，是把产线时序数据加工成可解释的节拍知识，再进一步沉淀为瓶颈诊断与改善分析的标准输出。系统不是单纯计算某个时长，而是要形成一条稳定的数据链路： 从原始时序数据中提取有效节拍窗口 为不同对象建立可比的节拍基准 将实际节拍拆解为工作、等待...