摘要：2026夏季达沃斯论坛上，工业富联首席数据官、科技服务事业群总经理刘宗长分享了AI Agent在制造场景中的落地实践。本文从技术视角还原其工业智能体系统的架构设计与工程逻辑。

在AI圈讨论Agent的时候，制造业已经悄悄把多智能体系统跑进了真实工厂。2026年夏季达沃斯论坛，工业富联首席数据官、科技服务事业群总经理刘宗长，在“Factories that Learn”圆桌上分享了一个核心判断：驱动制造业从传统自动化迈向学习型工厂的关键技术力量，是工业智能体。而承载这一技术落地的产品，正是工业富联基于 NVIDIA Factory Operations Blueprint（FOX）架构与 NemoClaw 多智能体框架——MoMClaw。

本文将从技术背景、架构设计、核心机制与落地验证四个维度，对MoMClaw进行系统性拆解。

01 问题背景：制造业数字化的“经验断层”

过去数十年，制造业通过部署ERP、MES、SCADA、PLM等系统，完成了大量数字化基础设施建设，积累了覆盖生产、设备、品质、供应链等环节的海量数据。

但一个长期未被真正解决的深层问题是：工厂中最关键的运营知识和决策判断，仍然高度依赖资深工程师和运营团队，从未被系统化沉淀。这些经验的核心特征：

典型场景举例：

• 良率波动：资深工程师10分钟定位根因，新人可能需要数天
• 设备异常：该停机还是继续观察，判断逻辑难以完全写进手册
• 排程优化：多条产线并行，背后涉及大量隐性权衡

随着生产环境日趋复杂（多品种小批量、快速换线、全球化运营），这一"经验断层"正在成为制造业规模化的核心瓶颈。

02 核心理念：Industrial Expertise → AI Skills

MoMClaw的工程路径是：将Industrial Expertise封装为结构化的AI Skills，作为可复用的技能模块供Agent按需调用。不同领域的AI Agent（质量专家Agent、设备专家Agent、生产调度Agent、能源管理Agent）在接到任务时，按需组合调用相关Skills，完成推理与决策。

同时，MoMClaw提供自然语言交互接口，工程师可直接通过对话查询生产状态、设备风险、异常原因，系统自动整合多源数据生成可解释分析报告，不需要跨系统手动查询。

03 核心架构：FOX + NemoClaw 

MoMClaw在技术栈上，基于NVIDIA Factory Operations Blueprint（FOX）架构与NemoClaw多智能体框架构建。自主工厂运营蓝图FOX将 NemoClaw 与数字孪生、计算机视觉、机器人技术结合，构建从设计到生产全链路的 AI 驱动工厂。

其中，FOX架构的三个核心能力包括：

① 连接工厂系统与智能体
通过标准API接入工业数据源、机器设备、应用程序及机器人集群，同时支持接入来自第三方软件开发商的专业智能体。

② 自动化AI模型训练
借助NVIDIA TAO技能，支持完整的模型训练生命周期自动化——精度差距识别 → 训练数据获取/合成 → 模型微调 → 生产环境重新部署，减少人工干预。

③ 运行智能工厂工作流
集成NVIDIA Metropolis蓝图，统一管理视觉检测、流程合规、物料运输等智能体任务；同时基于NVIDIA Omniverse构建运营数字孪生，实现工厂实时数据可视化。

NemoClaw架构实现从加速计算到自主 AI 的跨越。虽然加速计算已经将仿真时间从数周压缩至数小时，但工业工程的瓶颈已转移到端到端工作流：CAD 模型准备、复杂网格划分、仿真参数设置、调试、后处理和报告生成——这些仍消耗大量工程人力。NemoClaw架构的 AI 工程师通过以下方式实现突破：

①理解工程逻辑：AI不只是在做文本生成，而是真正理解CAD几何、物理约束和仿真语义

②自主决策闭环：AI分析仿真结果→识别异常→调整参数→重新运行→直到收敛，无需人工介入

③安全沙箱执行：OpenShell 运行时确保 AI 对文件系统和网络的每一次访问都在策略控制之下

Agentic Layer：系统整合的关键一层

MoMClaw 在架构上的一个关键设计，是引入统一的 Agentic Layer（智能体层）。它的作用是：将企业侧的SAP、MES、WMS等系统数据，与边缘侧的传感器、设备信号、工业控制系统数据，统一汇聚并分发给各垂直域的AI Agent。

这解决了工业系统中最常见的痛点——数据孤岛。原本分散在不同系统中的数据、知识与业务逻辑，通过Agentic Layer整合为统一的信息上下文，供多个Agent并行调用推理。跨域信息不再是逐系统查询，而是并行感知与协同推理，大幅压缩响应时间。

04 技术演进方向：Physical AI + 数字孪生

MoMClaw 当前的落地形态仍以"感知—决策—建议"为主，下一阶段的演进方向指向三个技术融合节点：

• AI Agent 自主执行：从辅助人决策，走向在特定场景下自主下发指令
• 数字孪生预演：基于NVIDIA Omniverse，在虚拟空间中预演排产、设备调度等决策，再映射到物理工厂执行
• 人形机器人协同：结合NVIDIA Isaac Sim，推进具身智能与工厂智能体的深度集成

未来面对AI与AI Agent，行业首先需要建立正确的预期。事实上，AI并不是自动化机器或人类的替代品，而是增强生产力的工具。

对做工业AI方向的开发者来说，MoMClaw 的架构提供了一个值得参考的设计思路：多智能体系统的核心价值，不在于单个Agent有多强，而在于Agentic Layer的整合能力和跨域协同编排机制有多好。