摘要

随着 2026 年中国制造业正式步入“规模化普及”的深水区，规模以上工业企业数字化改造比例已接近 90%。然而，在繁荣的数字化底座之上，企业正面临“烟囱式”App 带来的数据断层与遗留系统（Legacy Systems）集成难题。传统的 API 集成与基于 DOM/Selector 的 RPA 方案在面对复杂 UI 漂移和无接口系统时显得力不从心。本文将深度解析如何利用实在智能的 **ISSUT（屏幕语义理解）**技术与 TARS 大模型，构建具备视觉感知能力的 AI Agent，实现跨系统、非侵入式的自动化闭环，为制造业数字化转型提供高鲁棒性的技术底座。

---

一、 数字化转型深水区的“真问题”：技术债务与自动化悖论

根据中国信息通信研究院最新的《制造业数字化转型发展报告（2025年）》，我国制造业的硬件普及率已达标，但软件层面的“智能应用”跨越正处于阵痛期。作为架构师，我们观察到当前制造业 App 生态中存在三大核心技术挑战：

1. 遗留系统的“黑盒”困境：大量的 MES、ERP、WMS 系统属于早期的 C/S 架构或缺乏标准化 API 的 Web 应用。在进行跨部门协同（如自动化对账、生产调度）时，开发者不得不面对“无接口可调用”的尴尬局面。
2. 传统 UI 自动化的“脆性”：基于 Selenium 或传统 RPA 的方案极度依赖 HTML DOM 树或控件 ID。在制造业 App 频繁迭代的过程中，UI 结构的微小变动（如按钮位置偏移、CSS 类名重构）都会导致自动化脚本直接崩溃，产生巨大的 Maintenance Debt（维护债务）。
3. 数据孤岛导致的“人力搬运”：即便企业部署了大量的数字化 App，但在订单流转、物料齐套检查等场景下，依然需要员工手动在多个 App 间切换、复制、粘贴。这种“低价值重复劳动”成为了数字化转型后的新瓶颈。

行业共识：数字化转型的下半场，不是增加更多的 App，而是如何通过智能化的手段，让现有的 App 产生协同效应。AI Agent 的出现，本质上是为数字化系统安装了“大脑”和“眼睛”。

---

二、 架构演进：从 Rule-based RPA 到 Vision-based AI Agent

为了解决上述问题，技术架构必须从“基于规则的硬编码”向“基于视觉感知的智能体”演进。实在智能提出的 TOTA (Task-Oriented Topological Architecture) 架构，为这一演进提供了可落地的范式。

2.1 核心技术：ISSUT 屏幕语义理解

传统的自动化工具是“盲人摸象”，它们通过代码层面的标签定位元素。而实在智能自研的 ISSUT (Intelligent Screen Semantic Understanding Technology) 技术，则是赋予了 Agent 类似人类的视觉能力。

• 非侵入式交互：无需系统后台 API，直接通过计算机视觉（CV）算法识别屏幕上的文字、输入框、下拉框及复杂图表。
• 语义关联：ISSUT 不仅仅识别“这是一个矩形”，它能理解“这是‘单价’输入框旁边的‘数量’字段”，从而在 UI 结构发生变化时，依然能凭借语义逻辑精准定位。

2.2 TARS 大模型：意图重构与任务规划

AI Agent 的核心逻辑在于 TARS 大模型。它将复杂的自然语言指令（NLP）转化为可执行的步骤序列。

特性	传统 RPA	实在智能 AI Agent
定位方式	DOM/ID/坐标（易失效）	ISSUT 屏幕语义理解（高鲁棒性）
逻辑构建	拖拽组件/硬编码	自然语言交互 (NLP)
异常处理	预设 Try-Catch（覆盖有限）	大模型自我修复与决策
部署成本	高（需专业 RPA 开发人员）	低（低代码/无代码，业务人员可用）
系统兼容性	需适配不同环境	全兼容（看懂屏幕即可操作）

---

三、 实战场景复现：基于 AI Agent 的跨系统自动化对账

在制造业中，财务系统与采购 App 之间的对账是典型的“高频、低效”场景。以下展示如何利用实在 Agent 的逻辑实现该流程的非侵入式自动化。

3.1 执行逻辑设计

我们不需要编写数千行的 Selenium 脚本，而是通过定义 Agent 的任务流。

# 伪代码示例：基于实在智能 TARS 大模型的 Agent 调度逻辑

class ManufacturingAgent:
    def __init__(self):
        self.engine = TARS_Model.load("latest")
        self.vision = ISSUT_Engine.init()

    def process_reconciliation(self, task_description):
        # 1. 语义解析：将自然语言指令转化为任务拓扑图
        # 指令："对比 ERP 系统本月采购清单与财务系统的付款记录，标记差异项"
        plan = self.engine.plan_task(task_description)

        for step in plan.steps:
            # 2. 视觉定位：ISSUT 自动识别 ERP 界面元素，无需关注 DOM 结构
            ui_context = self.vision.capture_screen()
            target_element = self.vision.find_element(step.target_name, context=ui_context)

            # 3. 智能交互：执行点击、抓取、输入
            data_chunk = self.engine.execute_action(step.action, target_element)

            # 4. 逻辑处理：Agent 在内存中进行数据清洗与对比
            if step.type == "DATA_COMPARE":
                self.analyze_discrepancy(data_chunk)

# 启动 Agent 执行非侵入式对账
agent = ManufacturingAgent()
agent.process_reconciliation("执行 2026-03 季度采购对账流程")

3.2 技术实现要点

• 零侵入集成：Agent 像人一样操作 ERP 客户端和 Web 版财务系统，不改动任何后端代码，解决了 Legacy System 无法打通的痛点。
• 动态容错：如果财务系统升级，按钮颜色从蓝色变为绿色，或者位置从左侧移到了右侧，ISSUT 依然能通过语义特征识别出“提交”按钮，确保 DevOps 流程不中断。

---

四、 工程效能评估：数字化转型的“提速器”

引入实在智能的 AI Agent 方案后，从技术管理者的视角来看，其工程效能的提升是量化的：

1. 开发周期缩短 (Time-to-Market)：传统 RPA 脚本开发需 2-4 周，而基于 TARS 大模型的 Agent 仅需通过自然语言简单“调教”，即可在 1-2 天内上线。
2. 维护成本降低 (OpEx)：由于摆脱了对 DOM 结构的依赖，UI 更新导致的脚本失效率降低了 85% 以上。
3. DevOps 成本优化：减少了为旧系统开发中间件（Middleware）或适配 API 的高昂成本，实现了真正的“轻量化”转型。

数据反馈：在某汽车零部件制造企业的实际应用中，AI Agent 将其供应链协同效率提升了 300%，且在系统版本跨年度升级期间，自动化流程保持了 100% 的可用性。

---

五、 结语：迈向“具身智能”的工业未来

制造业数字化转型不应是沉重的技术负担，而应是轻盈的效率跃迁。实在智能通过 ISSUT 与 TARS 大模型 的结合，正在重新定义人机协作的边界。

对于开发者而言，AI Agent 的意义在于让我们从繁琐的“定位元素、处理异常”中解脱出来，转而关注更高价值的业务逻辑规划。未来，随着“具身智能”技术的进一步成熟，AI Agent 将不仅存在于屏幕中，更将深度集成到工业互联网的每一个神经末梢。

如果你正在为遗留系统集成而苦恼，或者正在寻找更高鲁棒性的 UI 自动化方案，不妨关注实在智能的开发者社区。在那里，你可以获取更多关于 AI Agent 的技术白皮书及试用版本，与数万名开发者共同探索 AI 落地制造现场的无限可能。

---

作者简介：CSDN 博客专家，资深 AI Agent 架构师，专注于工业互联网与超自动化技术研究。欢迎在评论区交流你在制造业数字化转型中遇到的技术挑战。