工业篇：炼化厂工业Agent——FDE穿工装跟老师傅倒班两周

🏭 项目背景：炼化厂的痛点

客户是一家大型炼化企业，连续重整装置面临的痛点：① 装置平稳率低——92%，波动大，影响产品质量和能耗；② 依赖老师傅经验——老师傅三十年经验，知道什么时候该调什么参数，但说不清楚为什么；③ 老师傅快退休了——经验没人传承，新人上手慢，老师傅退休后装置平稳率可能大幅下降；④ 能耗高——参数优化靠经验，没有系统性优化，能耗比行业先进水平高8%。

企业找到FDE，说："我们想做AI，把老师傅的经验固化下来，提升装置平稳率，降低能耗。你看怎么做？"

FDE没有直接做方案，而是说："我先去现场待两周，跟老师傅一起倒班，搞清楚你们到底是怎么操作的，然后再给方案。"

👷 FDE进场：穿工装、倒班两周

FDE做了三件事：

① 穿工装、进现场、跟老师傅倒班两周——白班夜班跟着倒，老师傅怎么操作、怎么看参数、什么时候调、调多少，全程记录。不是坐在办公室听汇报，是真的在现场跟老师傅一起干活。

② 逐句复盘访谈法——老师傅说"感觉不对就调一下"，FDE追问："您说的感觉不对，具体是看哪个参数？参数到多少您觉得不对？调哪个参数？调多少？调完看什么指标判断调对了？"一层层追问，把老师傅的"感觉"变成具体的规则。

③ 数据盘点——两年的历史操作数据，哪些参数、什么时间、怎么调的、调完效果如何，全部整理出来。用数据验证老师傅的经验——老师傅说的规则，在历史数据中是不是成立？有没有反例？

两周下来，FDE整理出了127条操作规则，其中89条跟历史数据吻合，38条需要修正或补充。老师傅看了说："我干了三十年，从来没把这些东西整理出来过，你们这么一整理，我自己都清楚了。"

🤖 工业Agent的设计和交付

基于127条操作规则和历史数据，FDE设计了工业Agent：

① 实时监控——Agent实时读取装置的200+个参数，跟规则库比对，发现异常立即预警。

② 操作建议——当参数偏离最优区间时，Agent给出操作建议（调哪个参数、调多少、为什么），操作员确认后执行（强人在环中模式）。

③ 自学习——Agent记录每次操作的结果，持续优化规则——哪些建议有效、哪些无效，自动调整规则参数。

④ 知识沉淀——所有操作规则、案例、经验都沉淀到知识库，新人可以学习，老师傅的经验不会因为退休而流失。

交付过程：① 影子运行1个月——Agent给建议，操作员还是按老方法操作，对比Agent建议和人工操作的效果；② 调优——根据影子运行数据，优化规则和模型；③ 试运行1个月——操作员开始参考Agent建议操作，逐步过渡；④ 正式上线——Agent成为操作员的标配助手。

人机协同模式：强人在环中——Agent给建议，操作员做最终决策。工业场景安全第一，不能让AI全自动操作，必须人确认。

🚀 效果和价值

上线6个月后：① 装置平稳率从92%提升到98.5%；② 能耗下降6%，每年节省成本超1200万；③ 产品合格率提升2.3%，每年增加营收800万；④ 新人上手时间从6个月缩短到2个月——知识库+Agent辅助，新人快速学习；⑤ 老师傅经验固化——127条规则全部沉淀，老师傅退休后装置平稳率没有下降。

企业评价："你们不是来做软件的，是来帮我们把三十年的经验挖出来、传下去的。这个Agent不是替代操作员，是让每个操作员都有三十年经验的老师傅在旁边指导。"

启示：① FDE要深入现场，不要坐在办公室听汇报——穿工装、倒班、跟老师傅一起干活，才能挖到真正的经验；② 老师傅的"感觉"背后是规则，用逐句复盘法把"感觉"变成具体规则；③ 工业场景用强人在环中模式——安全第一，AI给建议，人做决策；④ 知识沉淀比系统本身更有价值——老师傅的经验固化下来，企业的核心能力就保住了。