协作必须位于制造业多代理 AI 方法的核心。以下是实现路径。

大多数（如果不是全部）大型制造商正同时管理大量系统作为其数字骨干。通常，这些系统会在车间同步运行：预测性维护代理监控振动传感器以发现安全模式，基于视觉的质量控制代理标记产品缺陷，调度代理处理换线，而库存代理则跟踪采购。每个代理都有明确的操作任务，但往往这些系统之间并未进行交流。

正是这种缺乏协作削弱了大规模制造中的代理 AI。代理是否能够运行是一回事，但大型制造企业面临的另一个重要问题是它们几乎完全孤立地运作。

而且，尽管大型组织在至少一个职能上部署 AI 代理的比例已从27%至40%逐年上升，它们仍专注于 IT 和软件工程等特定职能，而不是将代理均匀分布于整个运营以形成协同系统。同时，虽然大多数组织计划部署自主代理，但只有约三分之一认为其基础设施已准备好支持这些代理。更有甚者，2025 年的研究发现，79%的多代理 LLM 系统故障源于协同与规范方面的问题。

制造商正以比构建它们之间连接更快的速度向车间和生产线添加自主决策者。这导致协同与合作问题加剧，削弱了这些模型的性能。最终，这在 AI 堆栈的三个不同层面上表现出来。以下是制造商应采取的措施，以确保协作良好、连接紧密的代理系统。

协作的最大摩擦点

首要且可能是最大的障碍是数据，它仍然是许多大型组织在扩展 AI 时的显著的瓶颈。大多数制造商依赖数十年积累的基础设施（以及与之关联的数据），如 MES 和 ERP 系统，这些系统与通信、人力资源等其他数据流并未共享统一的模式。因此，代理之间难以沟通，若能沟通也常因数据孤立或格式不佳而面临几乎不可逾越的障碍。

这在车间表现为：监控一条生产线机器健康和性能的代理，无法可靠地获知两条系统之外的调度代理对即将到来的换线计划，即使这两个决策和工作流直接相互影响。

下一个摩擦点是协议。它是 AI 协作中常被忽视的因素。代理 AI 仍属新兴领域，直至近期，基于不同框架、基础或供应商构建的代理之间并没有真正的标准化通信与协作方式。

幸运的是，这一情况正开始改变。例如，Google的 Agent2Agent (A2A) 协议于去年推出，规范了独立代理（可能基于完全不同平台）如何发现彼此的能力并委派任务。关键是，这一协议明确设计的是为了配合Anthropic的 Model Context Protocol (MCP)，后者规范了每个代理如何访问工具和数据源。其共同目标是克服孤立，实现协作，即使在大规模的多代理环境中亦如此。

最后，许多制造商仍在面对人为监督的问题。即使是完美协同的代理网络，如果监督者不信任其决策或对其能力抱有不切实际的期望，也会失效。MIT Sloan 的分析师已提出警告，指出对代理 AI 的期望被夸大、信心受侵蚀，并可能导致人类对 AI 代理的脱离。在车间，这些缺口和摩擦点可能是灾难性的：连接代理生态系统的人类环节对安全、可靠的运营至关重要。

弥合信任鸿沟

人们往往倾向于将这方面视为纯粹的文化问题，可以通过更多培训来解决。然而，除非配合持久的架构性修复，这些努力将难以奏效。监督设计必须考虑在人类判断应让位于系统的情形，而不是仅因环路中的人员不同意而默认覆盖代理的建议。

构建推理透明性，这意味着始终保持可视性，并能够分解代理为何作出某决策或标记某建议，而不仅仅是观察输出。当操作员持不同意见时，必须确保有明确且高效的升级路径，以确保决策过程的透明性和可追溯性。

重建整体感

代理，就像它们所支持的团队一样，需要的不仅仅是对狭窄、特定任务的访问。它们需要一种整体感；一种工作模型，说明它们的操作片段如何与其他所有部分相连。一个在没有看到维护代理对老化设备的了解的情况下，仅优化换线时间的调度代理，只是在做一个在其他工作流需求面前可能并不正确的、尚可接受的决定。

这正是协议层与整体感问题交汇的地方。共享上下文是将代理的单一任务锚定到更广阔的工厂实际状态的实际手段。在制造业中，已有部分答案体现在诸如 ISA-95 等标准中，这些标准定义了企业系统与控制系统在工厂内部基本通信的通用方式。不过，现在的新颖之处在于，将这种共享的操作词汇从面向人类的集成扩展到代理能够处理的信息层面。

如果没有共享模型，每部署一个额外的代理，就会增加一个新的孤立推理和决策点，而这些点并未成为一个连贯整体的一部分。这正是代理蔓延在规模扩大时加剧而非自我解决的原因。

保持对成功关键指标的脉搏感知

另一个陷阱是仅仅用监测其他软件部署的方式来衡量代理式 AI：关注效率数字并确保其持续上升。对于协同合作的多代理系统来说，这并不一定有益，甚至在它成为唯一绩效指标时会适得其反。

首先需要确认的并非代理节省了多少成本，而是它是否能够安全可靠地按设计运行。确保它在预定边界内行动，具备可预测的故障，并能够相应地进行人工干预和升级。只有在此基础稳固后，质量才能成为核心，例如代理的输出是否真正正确且一致，而不仅仅是即时的。

这就是制造商应遵循的优先级顺序。速度、吞吐量和成本节约是最低的优先级。建立在不安全或不可靠代理之上的生产力提升会成为团队、技术、生产线、合作关系以及企业声誉的负担。

先在小规模上进行测试，再扩大规模。单一代理处理单一明确任务时，可获得清晰的前后对比。然而，当视野扩大到涵盖整个工厂中数十个相互作用的代理，而这些代理尚未单独验证时，就很难判断系统的哪一部分驱动了结果。只有在部署本身的复杂度提升的同等速度下，才应在测量方法中加入复杂性。

在这里，协作与测量开始共存。代理的输出可信度取决于其行动时所能获取的上下文。这意味着前述的共享上下文问题实际上是测量的前提条件。尚未实现跨系统统一运营视图的制造商，无法可靠地判断正面或负面结果是代理判断的体现，还是其可访问范围的缺口。只有在序列化和共享上下文锁定后，相关指标才具可读性。

以协同与合作为能力核心

归根结底，大型制造商的结构性优势（庞大的产量、历史数据集、工艺一致性以及人才和技术资源）是毋庸置疑的。然而，这些优势只有在制造商首先解决协作问题后才会进一步叠加。

展望未来，随着 AI 能力可能发展至完全自主，并且系统与生产线不断扩张，协作与协调将成为绝对必要。将互操作性、协议标准、共享上下文、校准的人类监督以及整体感视为在规模化部署前的架构前提，是必须的。这是能够成功且安全地扩展代理式 AI 的制造商与仍停留在试点阶段的制造商之间的分水岭。