经验在人脑里
老师傅知道“这个波动大概率是哪里”，但经验难写成规程，交接班靠口口相传，人走经验也走。
Why / 为什么需要它
造纸厂不缺数据，缺的是“把数据变成判断”
DCS、QCS、LIMS 里都有数据，但分析靠人拼表、判断靠老师傅经验。人一换班，经验就断档；问题一反复，排查又从零开始。
数据在系统里
工艺、设备、质量、化验各有一套系统，做一次跨系统分析要导好几张表，时效性差。
异常定位慢
同一个问题反复出现，根因判断依赖个人，缺少可复核的推理路径，改进难以沉淀。
Capability / 产品能力
从“看见”到“说清楚为什么”
知识、数据、推理三条线拧在一起：既能回答“现在怎么样”，也能解释“为什么会这样”和“可以先查什么”。
知识库
机理、操作规程、案例与专家经验结构化沉淀，支持按装置与工段组织。
实时感知
接入实时数据流，把握当前工况、趋势与关键变量偏离。
异常诊断
识别偏离工况，给出可能原因集合，而不是一句“异常”。
根因分析
沿因果链定位，输出可验证的排查路径与优先级。
优化建议
结合历史寻优与当前工况给出参数建议，并标注预期影响。
运行预警
趋势外推结合规则引擎，在偏离扩大前提示风险。
人机协同
班组、技术员、工程师多角色使用，按权限看到不同深度。
反馈闭环
建议下发 → 执行反馈 → 效果评估 → 知识沉淀，越用越准。
Technology / 技术路线与可信设计
能用，更要敢用
技术路线
- 机理 + 数据：工艺机理约束与数据驱动模型结合，避免纯数据模型的“黑箱漂移”。
- 知识组织：机理、规程、案例与实时数据统一建模，支持检索增强与知识图谱。
- 时序洞察：面向趋势、对比、检测与工况分段，而不是只看单点数值。
- 与既有系统协同：对接 DCS / QCS / LIMS / MES，不改变现有控制架构。
安全与可信
- 可解释：建议附数据来源、规则引用与推理路径。
- 可追溯：全过程留痕，便于复核与审计。
- 安全边界：只做“建议 + 解释”，执行由操作员确认或既有控制系统完成。
- 私有化：支持内网 / 私有化部署，数据不出厂。
Loop / 闭环
六步形成持续学习的人机闭环
感知
接入实时数据与工况状态。
分析
趋势、对比与异常检测。
推理
知识与数据融合，形成原因链。
建议
输出可解释、可执行的建议。
反馈
执行结果回传，评估效果。
沉淀
知识更新与模型迭代。
Scenarios / 典型场景
从工艺分析到交接班，落到具体角色
工艺分析 · 面向工艺工程师
- 自动汇总关键指标走势，减少手工拼表。
- 对比历史批次，定位异常波动区间。
- 把“上次是怎么处理的”变成可检索的案例。
运行决策辅助 · 面向值长 / 技术员
- 给出参数调整建议与预期影响。
- 标注建议依据、数据来源与置信程度。
- 建议可追溯到规则与历史工况。
班组智慧助手 · 面向一线班组
- 回答操作规程与设备状态问询。
- 辅助交接班，减少信息丢失。
- 把老师傅经验留在系统里。
知识传承 · 面向集团技术中心
- 跨厂沉淀工艺知识与最佳实践。
- 形成可复用的装置知识资产。
- 支撑新线投产与人员培训。
Case / 试点进展
先在单装置验证，再谈推广
匿名试点 · 整理中
了解试点情况
制浆造纸装置智能体试点
围绕异常诊断、根因分析与交接班知识沉淀开展验证。具体客户与量化结果将在取得授权后以匿名方式补充，避免虚构。
FAQ / 常见问题
上线前，大家最关心的几件事
它和通用大模型有什么区别？
通用模型缺工艺约束与实时数据。工业智能体以机理与规程为边界，接入实时工况与历史案例，输出可解释、可追溯的行业建议。
会直接控制生产吗？
不会。智能体只做“建议 + 解释”，最终执行由操作员确认或既有控制系统完成，不改变安全闭环。
数据要出厂的云吗？
支持私有化 / 内网部署，数据不出厂；也可按客户要求做分级脱敏与权限隔离。
多久能看到效果？
建议先选一个装置或一类问题做试点，通常以周为单位迭代；效果以诊断准确率、排查时长、建议采纳率等指标评估。
需要替换现有系统吗？
不需要。智能体与 DCS / QCS / LIMS / MES 协同，不替换既有系统，也不改变现有控制架构。