在 2026 年的当下，中国制造业的数字化进程已正式跨越“试点攻关”阶段，步入“规模化普及”与“智能深度应用”的深水区。根据中国信通院最新发布的《制造业数字化转型发展报告（2025年）》，我国规上工业企业数字化改造比例已高达 89.6%。然而，在亮眼的数据背后，技术架构师们正面临着前所未有的挑战：如何在异构系统林立、遗留系统（Legacy Systems）无法重构、业务流程极度复杂的制造业环境中，实现从“简单自动化”向“智能体（AI Agent）自主协作”的架构跃迁？

本文将从技术架构视角，深度解析如何利用以实在智能为代表的 AI Agent 技术，解决制造业数字化转型中的“最后一公里”难题。

一、 制造业数字化转型的技术“深水区”挑战

进入 2026 年，制造业的数字化转型已不再是简单的 ERP 或 MES 系统上线。北京市经信局公示的《2026年制造业数字化转型服务套餐名单》明确指出，当前的转型核心在于“数智融合”。但在工程实践中，开发者常遇到以下三大瓶颈：

1. 遗留系统（Legacy Systems）的数据孤岛与非侵入式难题

制造业中存在大量运行了 10 年以上的老旧系统，这些系统缺乏标准 API 接口，且源代码早已不可考。传统的集成方案（如企业服务总线 ESB）在面对这些“黑盒”系统时显得力不从心。如果采用重构方案，不仅成本高昂，更可能引发生产线停工的巨大风险。

2. UI 自动化的鲁棒性危机

传统的 RPA（机器人流程自动化）依赖于 DOM 结构、控件 ID 或坐标定位。然而，在制造业复杂的 Web、CS 架构及各类工业软件（如 CAD/CAM）中，UI 元素的频繁变动或非标准渲染会导致自动化脚本极易崩溃。维护成本（Maintenance Cost）往往在系统运行三个月后超过了开发成本。

3. 决策链路的断层

传统自动化只能执行“If-Then”的硬编码逻辑。但在生产调度、供应链异常处理等场景下，需要根据多模态信息（如生产看板截图、PDF 合同、系统预警弹窗）进行综合研判，这要求系统必须具备语义理解与自主规划能力。

行业共识：数字化转型的本质是推动制造业从“经验驱动”向“模型驱动”跃迁。2025 年后的核心生产力将不再是孤立的自动化脚本，而是能够感知屏幕、理解意图并执行复杂任务的 AI Agent。

二、 解决方案架构：实在智能 AI Agent 的硬核拆解

针对上述挑战，实在智能提出的“实在Agent”方案，并非简单的 RPA 升级，而是基于 TARS 大模型 与 ISSUT（屏幕语义理解技术） 构建的全新智能体架构。

1. 核心技术：ISSUT 屏幕语义理解

传统的 RPA 是“盲人摸象”，而搭载了 ISSUT 的实在Agent 则是“拥有了视觉”。它通过计算机视觉（Computer Vision）算法，将屏幕上的所有元素进行多模态语义解析，而非依赖底层代码逻辑。

• 视觉算法识别：即便系统没有 API，Agent 也能像人一样识别出“提交按钮”、“库存数值”或“异常弹窗”。
• 非侵入式交互：无需修改原有系统的任何一行代码，通过屏幕抓取与模拟操作实现数据闭环，这对于保障制造业生产环境的稳定性至关重要。

2. TOTA (Task-Oriented Topological Architecture) 任务导向拓扑架构

实在智能自研的 TOTA 架构，赋予了 Agent 强大的逻辑推理能力。当用户输入一个自然语言指令（如“对比 ERP 与 WMS 系统中的库存差异并生成预警报表”）时，TARS 大模型 会将该宏观任务拆解为一系列子任务。

3. “传统 RPA” vs “实在Agent” 架构对比

维度	传统 RPA	实在智能 AI Agent
定位技术	DOM/控件 ID/坐标	ISSUT 屏幕语义理解
开发模式	低代码拖拽/脚本编写	自然语言指令 (NLP) + 自主规划
鲁棒性	系统更新即失效，需频繁维护	强自适应性，UI 变化不影响视觉识别
决策能力	预设的分支逻辑	基于 TARS 大模型 的动态推理
接入成本	需深入研究目标系统底层	非侵入式，即插即用

三、 实战场景复现：跨系统供应链自动对账

为了更直观地展示实在Agent 的工程优势，我们选取制造业中最常见的“跨系统供应链对账”场景。该场景涉及 ERP（旧版 CS 架构）、WMS（Web 架构）以及供应商发来的 PDF 发票。

1. 逻辑流程设计

在传统模式下，这需要编写数百行 Python 结合 Selenium 和 PyAutoGUI 的脚本，且极易因 PDF 格式变动或 ERP 界面卡顿而报错。而在实在Agent 架构下，其执行逻辑如下：

# 伪代码示例：实在Agent 跨系统对账逻辑执行流
class SupplyChainAgent:
    def __init__(self):
        self.brain = TARS_LargeModel() # 加载实在智能自研大模型
        self.eye = ISSUT_Engine()      # 加载屏幕语义理解引擎

    def execute_reconciliation(self, task_desc):
        # 1. 理解意图：解析自然语言指令
        plan = self.brain.decompose(task_desc)
        # plan: ["读取PDF发票", "查询ERP订单", "比对数据", "更新WMS状态"]

        for step in plan:
            # 2. 环境感知：通过视觉定位目标应用
            app_ui = self.eye.scan_screen(step.target_app)

            # 3. 智能交互：非侵入式数据拾取
            if step.action == "extract_data":
                data = self.eye.extract_text_by_semantic(app_ui, step.field_names)

            # 4. 自主决策：发现差异时的逻辑处理
            if step.need_check and data.has_discrepancy():
                self.brain.handle_exception(data) # 自动触发预警流程

# 初始化 Agent 并下达指令
agent = SupplyChainAgent()
agent.execute_reconciliation("对比本周供应商PDF发票与ERP采购单，差异项自动填入异常表并邮件通知采购经理")

2. 技术优势解析

• 低代码与自然语言交互：开发者不再需要关注 xpath 或 selector，只需通过自然语言描述任务，TARS 大模型 负责逻辑映射。
• 异常自愈：当 ERP 系统弹出计划外的“系统维护”弹窗时，Agent 能通过 ISSUT 识别其语义并自动点击“关闭”或等待，而非直接抛出 TimeoutException。

四、 2026 制造业转型实操路径建议

对于 CTO 或架构师而言，数字化转型应遵循“小步快跑、以点带面”的策略：

1. 预算配置：从“重资产”转向“轻量化”

根据《工业互联网技术导论》的建议，中小型制造企业不应盲目追求全线更换自动化硬件。应优先配置“小快轻准”的数字化产品。例如，利用实在Agent 这一类软件工具，在不改变现有生产线的基础上，实现数据自动采集与流转，其 ROI（投资回报率）远高于硬件重构。

2. 路径选择：从“业务数字化”到“数字化业务”

• 基础级（L1-L2）：利用 Agent 完成基础的数据搬运、报表汇总，解决“人肉搬运数据”的问题。
• 先进级（L3-L4）：引入 数字孪生（Digital Twin） 与 Agent 结合。例如，新疆新业能源化工通过 5G+万兆光网，结合智能体技术，实现了生产效率 28.45% 的提升。
• 卓越级（L5）：构建“领航级智能工厂”，实现全链条的自主感知与协同决策。

五、 效果评估：工程效能的飞跃

引入实在Agent 后，企业在数字化转型中的工程效能提升通常体现在以下几个维度：

1. 开发周期缩短：由于取消了复杂的底层控件分析环节，自动化流程的开发周期从周级缩短至天级。
2. 维护成本降低：ISSUT 技术使得脚本对环境变化的容忍度提升了 80% 以上，大幅减少了由于 UI 微调导致的脚本失效。
3. 数据准确率提升：基于大模型的语义校验，避免了传统 OCR 识别中常见的字符误读问题，在财务、质检等高精度场景下表现卓越。

六、 结语：迈向智能体的未来

2026 年是制造业数字化转型的攻坚期。从“数字赋能”向“智能应用”的跨越，本质上是技术栈的更迭。以实在智能为代表的 AI Agent，通过 ISSUT 屏幕语义理解和 TARS 大模型，为制造业提供了一种非侵入式、高鲁棒性、低门槛的演进路径。

这不仅是技术的进步，更是生产关系的重构。当每一个复杂的工业软件背后都有一个 Agent 在辅助决策和执行，我们距离“人人都是开发者”的愿景便又近了一步。

如果你正在负责企业的数字化转型架构，或者在 UI 自动化领域遇到了难以攻克的难题，欢迎在评论区分享你的技术痛点。我们也可以共同探讨 AI Agent 在更多工业细分场景（如 PLC 数据关联、多模态质检）下的落地可能性。

---

参考资料：

• 中国信通院《制造业数字化转型发展报告（2025年）》
• 《北京市制造业数字化转型实施方案（2024-2026）》
• 实在智能 TARS 大模型技术白皮书