Model
01模型
负责理解、推理和判断。
Yuanmu Industrial Intelligence
用前沿 AI 建造规模运行的工业系统
圆木以工业智能体 Harness 承接任务执行，以可重放环境和验证器建立可信反馈，再由工业经验引擎将真实轨迹加工为评测与训练信号。
模型的推理能力由此进入工业软件、设备与人的协作流程，持续完成可以验证的工业任务。
System Cutaway
工业任务的可执行状态，是对全局约束的精准求解
一次报价完成、计划更新、一个模型生成，看上去只是任务向前推进了一步。而为了让这一步在真实工业中可靠发生，系统需要持续组织当前事实，管理上下文与权限，控制智能体与工具持续稳定执行，验证过程与结果，并把真实反馈带回下一轮学习。
圆木建设的，是支撑每一项工业任务持续完成的整套技术系统。
Orchestration
02Harness
维持任务状态，组织工具、权限、节拍和人工协作。
Industrial Tools
03工业工具
把判断转化为软件操作、算法求解和现场动作。
Task Environment
04Environment
保存任务环境、状态变化与执行反馈。
Verification
05Verifier
检查工业约束，评价过程与最终结果。
Human Authority
06人
设定目标和边界，处理高风险判断与异常。
Execution Loop推动任务持续走向结果
Learning Loop把真实结果带回评测与训练
Industrial Context
把全部数据交给模型，为何仍完不成工业任务？
工业现场的信息分散在订单、BOM、图纸、工艺、设备、物料、人员和历史决策中，并随现场持续变化。全部信息直接进入模型，旧版本、冲突口径、无关噪声与权限边界会同时扰乱判断。
圆木围绕当前任务组织共享 Context：数据与知识提供事实，工厂画像保存长期结构，目标与偏好限定本次判断；工具结果、专家修正和现场反馈持续写回共享状态。
Harness 在任务执行过程中，根据当前所处的步骤，选择必要、最新且可追溯的信息，并将其组织成适合下一次判断的上下文。
优先级：普通
来源：ERP
材料：7075-T6
状态：已更新
MC-07 维护
能力版本：当前
刀具：T18
审批：工程师确认
替代料：允许
批次：M-2608
仅保留追溯
禁止进入当前判断
转序条件确认
权限：有效
Current Task Context
让每一次判断都基于同一现实
模型看到的每一段上下文，都对应当前任务、当前版本和当前权限。
Task当前任务Version当前版本Authority当前权限
Harness & Industrial Tools
模型已经能调用工具，为何工业任务仍会中断？
一次 CAD 操作、求解器调用或系统写回，只能完成任务中的一个动作。完整工业任务还要跨越状态变化、异常、重试、任务交接和结果验证。
圆木以 Harness 作为工业智能体的执行编排层。它维持任务状态，并围绕工业工具管理调用条件、输入输出、权限边界、完成证据和异常处理。
Tool Contract每一项工具能力，都带着完整执行条件进入任务
Harness任务分解与路由共享状态与记忆权限与预算控制智能体和人的交接
长程任务由此能够跨越多轮模型判断、多种专业工具和多次人工协作，持续推进到结果。
Environment & Verifier
一项任务完成，系统怎样知道它做对了？
工业任务的正确性同时来自过程与结果：数据版本是否一致，工具调用是否遵守约束，最终交付是否达到成本、质量、交期和安全目标。
Environment 保存任务开始时的状态、工具条件、执行过程和反馈，使同一任务能够在相同条件下重放。
Verifier 将硬约束和业务 KPI 转化为检查与评分：校验输入与版本，检查过程和工具调用，评价最终交付结果。
同一套 Environment 与 Verifier 同时服务在线执行、回归评测和后训练。
Replayable Task Record
01初始状态数据、版本、权限和可用工具
02执行过程判断、调用、状态变化与反馈
03专家修正边界、理由与修改前后差异
04最终结果交付、成本、质量与安全
Industrial Experience Engine
工业数据稀缺，模型如何用更少专家持续学习？
一项真实工业任务会留下状态、行动、观察、工具输入输出、专家修正与最终结果。完整轨迹跨度长、数量少、获取成本高，需要经过系统加工才能成为有效学习信号。
切分
将长程任务切分为可以独立判断的子任务，保留异常处理和关键转折。
产出：可以独立评价的子任务重放
重放任务状态、工具和执行过程，扩展可以反复试验的任务样本。
产出：可以扩展的训练样本归因与评价
定位关键修正，检查工业约束，并根据业务结果进行归因和评价。
产出：约束、评价与奖励编译
将经验编译为专家示范、偏好对、任务与奖励以及回归用例。
产出：训练与评测数据真实数据决定任务分布求解器与仿真扩展样本Verifier 提供评价与奖励圆木积累的是经过切分、归因和验证的工业经验。
Training · Evaluation · Release
模型获得新能力，怎样安全回到生产？
不同学习信号需要进入不同训练方法。模型先以轻量方式验证新能力，通过评测后再逐步扩大训练和部署范围。
专家示范
专家最终方案用于建立基础行为与工具格式。
偏好对齐
AI 原稿和专家改稿形成偏好对，学习关键分岔处的选择。
结果优化
可重放任务与 Verifier 奖励优化长程任务的最终结果。
回归验证
历史失败、工业边界和关键约束持续检验已有能力。
01数据积累
02经验加工
03模型训练
04回归评测
05灰度发布
06生产回流
训练路线根据学习信号选择 SFT、DPO、RL 或 RFT，并从轻量验证逐步进入更完整的训练。
出现能力退化时，系统可以定位模型版本、任务环境和失败步骤，并重新进入训练与回归验证。
Task Economics
一项任务值得自动化，账目应该怎样算？
工业智能体的单位任务成本，来自模型推理、专业工具、人工接管、失败重试和部署维护。规模化要求更多任务可以独立完成、更少依赖人工，同时持续产生可以验证的业务结果。
模型推理专业工具人工接管失败重试部署维护
技术进步最终需要同时表现为更高的任务成功率、更稳定的执行和更低的单位成本，使工业智能体形成可持续的投入产出。
根据任务难度和风险选择模型
让更强的模型承担复杂判断，让稳定的高频步骤进入更轻的模型。
控制每一步读取的上下文规模
保留影响当前判断的事实与约束，减少无关输入。
蒸馏与推理优化降低计算成本
把已经稳定的能力沉淀为更高效的垂直模型。
端侧与私有化适应工业现场
兼顾数据边界、响应速度和规模成本。
TodayPlan · Technical Proof
今天排验证整套技术路线如何在真实决策中会合
生产计划连接需求、工艺、采购、产能和现场执行，是工厂高频、复杂且可以持续评价的决策入口。今天排汇聚订单、BOM、工艺、设备、人力、物料、库存和交期，让共享 Context、Harness、专业求解器、Verifier 与经验引擎在同一项真实任务中协同运行。
每一次计划生成、人工调整、现场变化与动态重排，都能形成可以验证的执行结果和完整反馈。
全局状态已同步 · 14:32待排工单较昨日 +442
按期交付率重排后 +2.1%93.2%
设备负荷6 台设备81%
交付风险需人工确认3
左右滑动查看完整排程
设备负荷与工单计划08-21 至 08-26 · 约束求解完成
设备08:0012:0016:0020:0008-2208-23
MC-01 · 五轴
WO-081 · 工序 20WO-112 · 工序 10
MC-02 · 车铣
WO-073 · 工序 30RUSH-09 · 插单
MC-03 · 三轴
WO-086 · 工序 10–30WO-104 · 工序 20
HT-01 · 热处理
WO-097 · 外协前置
Context全局状态Harness任务编排Solver约束求解Verifier结果校验Feedback现场回流
Multi-Agent Coordination
多智能体协同建立在已经验证的任务能力之上
每个智能体先在明确边界内承担一项可以完成、可以验证的任务。多项任务围绕同一座工厂协同时，还需要一套共同的协作机制。
Goal共享目标让不同智能体指向同一项交付、成本、质量和稳定目标。
Contract任务契约明确输入、输出、权限、完成条件和责任边界。
State共享状态与记忆记录任务进度、判断证据、工具结果和异常。
Handoff任务交接传递完整状态与证据，避免下一个智能体重新理解全部现实。
Review互审与冲突处理解决不同智能体之间的结果矛盾。
Control权限、预算和节拍控制每个智能体可以执行的动作范围。
Human人的判断处理高风险判断、跨任务冲突和系统无法覆盖的异常。
Shared Factory
多智能体由此围绕同一工厂目标协同运行，并通过统一 Context、工具和反馈闭环持续扩展。
Yuanmu Technology Lounge
让技术持续突破，也让知识开放流动。
圆木正在持续攻克工业智能体的 Harness、评测、后训练、多模态理解和 Physical AI 等技术问题，也持续跟进前沿 AI 的最新进展。
圆木技术客厅连接研究者与工程实践者，让研究问题接受真实工业场景的检验，也让工业现场的问题进入更开放、更深入的技术讨论。
与圆木一起，把AI带进真实工业现场
了解产品、预约演示或讨论合作。
- 地址
- 北京市海淀区清华科技园创新大厦 B 座 303
微信公众号圆木智能
抖音号圆木智能
企业微信产品与合作咨询
扫码添加圆木智能企业微信