行动 · 应用智能体层
谁代表业务目标行动？业务智能体提出目标、承担责任，人类代理智能体在关键节点入回路。
定位
应用智能体层在四层的最上面，是场景自治的落地层，也是业务价值的承载层。智能在下面几层被生成、被治理，最后要在这里变成一张答复的询单、一次优化的炉次、一份交接班记录，才算产生了价值。
三层各自的使命可以这样对照：
| 智能内核（认知层） | AIP（治理层） | 应用智能体层（行动层） | |
|---|---|---|---|
| 核心使命 | 生成智能 | 管控智能的边界 | 规范地调用智能，把业务落到场景里 |
| 关心的问题 | 方案怎么想、后果怎么算 | 能不能采信、能不能放行 | 业务目标是什么、谁来负责 |
这一层的组织方式借鉴了社会组织的运行逻辑：有独立完成任务的业务单元，有多个单元协作的智能体集群，还有一套全局的公共治理。落到分类上是两大类智能体——做业务的业务智能体，和管规矩的治理智能体。本站按四层口径把治理智能体放在治理层讲；这一页讲业务智能体，以及把人接进体系的人类代理智能体。
业务智能体
业务智能体覆盖研发、生产、管理、营销全链条，按粒度分两类：
原子能力智能体
只做一件边界清楚的小事，可被反复组合调用
- +一次质量判定
- +一次故障溯源
- +一次参数寻优
≈一个职责单一的函数 / 工具
综合业务智能体
把若干原子能力编排起来，完成一个完整的业务流程
- +交接班管理
- +外贸询单答复
- +一段工艺参数的持续优化
≈一条编排好的工作流
开发业务智能体有三条准则，每一条都在堵一类「各自为政」：
- 数据与知识的唯一来源是 DLA 本体。不允许某个智能体自己维护一份数据口径或规则副本，否则同一炉钢在两个智能体眼里会是两个样子。
- 推理与决策能力取自智能内核。不允许某个智能体私自接一个模型，零散的 AI 能力会绕开统一的约束和升级。
- 全部交互经 AIP 中转。业务智能体之间可以横向协作，但凡是跨层——要推理、要查本体、要动现场——都走 MAB 交给 AIP。
业务智能体自己的进化也不另起炉灶：它依托生产案例库和记忆模块积累经验，每一次运行的结果都能成为下一次改进的依据。
人类代理智能体
AI 原生架构并不追求把人从回路里拿掉。岗位人员在体系里有自己的一等公民身份：每个岗位对应一个人类代理智能体，带着这个岗位的身份与权限接入智能体网络。它不是替人干活的自动化脚本，而是让人能在关键节点直接参与协同——被业务智能体找到、接收委派、做出确认，而不是只能在某个传统界面上事后查看结果。
三种典型的岗位角色：
- 销售工程师：确认客户的真实诉求，对报价、交期这类对外承诺签字负责。
- 工艺工程师：审核工艺方案和工艺卡，修正模型给出的参数，对工艺路线负责。
- 炉长与质检员：在现场确认执行条件、处理异常，对检验结果和判定做复核。
这个设计有一层容易被忽略的价值：每一次人工修正，都是一条高质量的标注。人在关键节点做出的确认、改动和复盘被结构化记录下来，反过来用于迭代 DLA 本体和微调行业模型。人机协同因此不只是安全兜底，也是系统持续变好的数据来源。
人机协同闸门
人什么时候入回路，不靠临时判断，而是由一道标准化的闸门决定：
- 常规、稳定的工况：智能体自主闭环运行，人不必逐单过问。
- 关键高危操作、复杂异常场景：自动触发人工审核闸门，由对应岗位的人类代理智能体介入，确认、修正或复核之后才继续。
人机协同闸门
教学示意发起
业务智能体提出动作
闸门判定
是否关键高危 / 复杂异常？
分流
否：智能体自主闭环
常规、稳定的工况
是：人工审核闸门
对应岗位的人类代理确认、修正或复核
发起
业务智能体提出动作
闸门判定
是否关键高危 / 复杂异常？
分流
否：智能体自主闭环
常规、稳定的工况
是：人工审核闸门
对应岗位的人类代理确认、修正或复核
人工可以做的事包括干预、修正参数、确认结果和事后复盘，整体形成「智能自主运行为主、人工兜底管控」的作业模式，通过标准化的作业流程（SOP）平台落地。
为什么不追求无人化？钢铁是高温、连续、强耦合的流程生产，出错的代价高，很多状态又测不全。在相当长的时期里，人仍然是感知、认知和决策的最终裁决者。架构要做的不是替代这个角色，而是让裁决发生在对的节点、留下可追溯的记录。
智能体工程化四个模块
应用智能体层不是一堆零散的功能模块，而是一套能组件化开发、复用、运维和复制的工程体系，由四个模块支撑：
| 模块 | 做什么 |
|---|---|
| 标准化建模 | 统一智能体的角色定义、任务模板、输入输出数据规范、A2A 协同协议，以及「业务算闭环了」的判定标准 |
| 组件化低代码复用 | 把通用的校验、决策、执行能力封装成基础组件，新场景靠组态搭建，不重复写底层 |
| 全生命周期运维 | 版本管理、灰度迭代、运行异常监控、故障一键回滚、全作业日志审计 |
| 多场景自适应迭代 | 根据现场实绩和人工反馈，持续调整任务拆解、执行策略和协同逻辑，适配不同产线、原料和工况 |
对 AI 工程师来说，这四块就是智能体版的「规范 + 组件库 + 发布运维 + 持续优化」。其中第三块尤其要紧：智能体一旦作用于生产，就必须像生产服务一样可灰度、可回滚、可审计。
最懂产线的人开发智能应用
这套体系想改变的，是「谁来写智能应用」。过去一个现场问题要变成一个 AI 应用，往往得由懂算法的人去理解工艺，理解一次、丢一点。
在 AI 原生架构里，通用能力已经沉淀在下层：数据和知识在 DLA，推理和计算在智能内核，安全和合规在 AIP。一线的工艺专家、操作骨干不需要懂模型训练，借助低代码甚至零代码平台，就能把自己的经验组装成适配本产线的业务智能体。最懂产线的人，直接开发智能应用——这对内部 AI 工程师意味着，工作重心会从「逐个做应用」转向「把底座和组件做扎实，让业务专家用得起来」。
工程师类比
AI 工程师视角·换成你熟悉的说法
业务智能体 ≈ 微服务架构里的业务服务
业务服务只写业务逻辑，鉴权、配置、数据访问、可观测性都调平台能力，不自己造轮子。业务智能体同理：数据从 DLA 取，推理从内核取，跨层交互交给 AIP，自己只对业务目标负责。
人类代理智能体 ≈ 升格为一等公民的人工审批节点
传统工作流里，人工审批是流程图上一个被动等待的框。人类代理智能体则是有身份、有权限、能被发现和编排的参与者：业务智能体可以像委派给另一个智能体一样委派给它，它的每次决定都进入同一套审计和学习闭环。
出处《AI 原生钢厂：架构探索与功能设计》，《冶金自动化》第 50 卷第 4 期，第 18–30 页（特邀综述），2026-07来源与出处 →
出处《AI 原生钢厂 · 行业大会稿（参考架构页、产销研落地页）》，行业大会报告稿，2026-09来源与出处 →
相关概念 / 4 张