Repository navigation
Decision Layer Whitepaper
过去二十年，制造业的信息化演进有一条清晰的路径：信息化 → 数字化 → 智能化。ERP 解决了业务记录，MES 解决了执行透明，APS 解决了排程优化，工业互联网解决了连接与数据汇聚。
今天，行业正在进入一个新阶段：Agentic Manufacturing（智能体制造）。
越来越多的工业智能体进入制造系统：订单 Agent、设备 Agent、质量 Agent、能源 Agent、供应链 Agent。它们能感知变化、理解需求、组织任务、调用工具、协同交互。在很多场景中，Agent 表现出了远超传统软件的能力。
但随着 Agent 数量增加，一个新的问题开始出现：
Agent 能够理解问题，但未必能够形成可靠决策。
多个 Agent 各自基于自己的目标提出建议——订单 Agent 要优先交付，设备 Agent 要减少换模，能源 Agent 要避开高峰，质量 Agent 要保证稳定性。每一个建议都合理，但生产计划最终只能有一个。
这不是信息获取问题，不是任务编排问题，而是决策问题。
这份白皮书要讨论的，正是这个问题。它尝试定义一个新的架构层：
Decision Layer（决策层）
这个层位于 Agent 层与执行层之间，负责目标表达、约束管理、冲突协调、决策生成与优化求解。它不是 Agent 的替代品，而是 Agent 进入真实业务闭环的必要基础设施。
制造业软件的演进，可以概括为一条不断向“决策”靠近的路径：
MRP → ERP → MES → APS → Agent
- MRP 解决了物料需求计算问题，把“需要什么、需要多少、什么时候需要”变成了可计算的对象。
- ERP 解决了企业资源的统一记录与计划问题，把订单、库存、采购、财务组织进同一套系统。
- MES 解决了车间执行的透明化问题，让生产现场的状态、进度、质量、设备变得可见。
- APS 解决了有限产能下的排程优化问题，把资源约束、工艺约束、交期目标纳入同一个优化模型。
- Agent 正在解决感知、理解、编排与交互问题，让系统能够主动识别变化、组织任务、调用工具。
每一次演进，都让系统离“决策”更近一步。但没有一次演进，真正完成了“决策”本身。
MRP 计算的是物料，ERP 记录的是资源，MES 执行的是计划，APS 优化的是排程。它们各自解决了一个环节的问题，但没有一个层，专门负责在多个目标、多个约束、多个主体之间形成统一决策。
2025 年以来，工业智能体成为制造业软件领域最活跃的方向。
制造运营管理软件厂商推出了覆盖报价、工程、排程、跟单、质检、仓管、设备、异常分析等环节的决策型 Agent；工业互联网平台依托大模型搭建了智能体集群；自动化设备厂商发布了以多智能体为执行单元的控制平台；工业AI研究机构提出了“工业AI大脑”的构想，目标是让工厂跨越“有系统、无智能”的鸿沟。
这些方案的共同叙事是：感知 → 分析 → 编排 → 执行。
它们代表了工业软件的一次重要进化——从“被动等待指令的系统”变成“主动识别变化的智能体”。这个进化是真实的，也是有价值的。
但它也带来了一个新的问题：当 Agent 越来越多，谁来形成最终方案？
Agent 的繁荣，暴露了一个被长期掩盖的结构性缺口。
在传统架构中，决策是由人来完成的。计划员看着数据、凭着经验、权衡目标、做出判断。系统提供信息，人做决定。
Agent 时代，这个分工正在被打乱。Agent 不仅提供信息，还提出建议——甚至尝试直接执行。但当多个 Agent 同时提出建议时，系统需要一个机制来回答：
- 这些建议之间是否冲突？
- 哪些建议在现实约束下是可行的？
- 如果都可行，应该按什么标准选择？
- 如果都不可行，应该放宽哪个约束？
- 最终方案如何向人解释，让人愿意承担决策责任？
这些问题，不是 Agent 擅长的。Agent 擅长理解、组织、编排、交互，但它们不擅长在硬约束下做精确优化，不擅长在冲突目标之间做可解释的权衡，不擅长证明一个方案为什么可行、另一个方案为什么不可行。
行业正在绕过这个层。
大量方案把“调用求解器”当作一个被隐藏的组件，把“生成一个看起来合理的方案”当作决策的终点。但工业决策的本质，不是生成一个答案，而是在现实约束下找到可执行方案，并说明为什么选择这个方案。
设想这样一个工厂。
订单 Agent 提出建议：A 订单必须优先交付，否则可能面临延期和违约风险。
设备 Agent 提出建议：当前应连续生产 B 产品，以减少换模和设备调整损失。
能源 Agent 提出建议：应尽量避开即将到来的用电高峰，以降低能源成本。
质量 Agent 提出建议：当前设备状态不适合生产 A 产品，建议先安排其他任务。
四个 Agent 都拥有真实数据，也都给出了看似合理的建议。但生产计划最终只能有一个。
这不是信息获取问题，不是任务编排问题，而是一个典型的工业决策问题：
如何在多个目标、约束和建议发生冲突时，形成可执行、可解释、可复核的统一方案？
随着企业部署的 AI Agent 越来越多，这个矛盾会越来越尖锐。Agent 越来越擅长提出建议，却不一定擅长解决建议之间的冲突。
要理解 Decision Layer 的必要性，需要先理解 Agent 的能力边界。
Agent 擅长的是：
- 感知：识别环境变化、订单波动、设备异常、物料延迟。
- 理解：解析业务语义、提取关键信息、判断问题类型。
- 组织：分解任务、编排流程、调用工具。
- 协同：与其他 Agent 交互、共享信息、协调行动。
这些能力使 Agent 成为优秀的“问题发现者”和“任务组织者”。在信息获取、流程自动化、人机交互层面，Agent 带来了实质性的效率提升。
但 Agent 不擅长的是：
- 可行性验证：在硬约束下判断一个方案是否真的可以执行。
- 多目标优化：在多个冲突目标之间找到可解释的权衡点。
- 约束协调：当不同 Agent 的约束相互矛盾时，判断应该放宽哪一个。
- 决策共识：让多个主体在目标、优先级、取舍上形成一致。
- 精确求解：在毫秒级或秒级时间内给出满足所有硬约束的最优或近优解。
这些不是 Agent “暂时做不到”，而是由 Agent 的技术基础决定的。大语言模型的推理过程本质上是概率生成，它可以在语义层面生成“看起来合理”的方案，但无法保证方案在数学意义上可行，更无法证明方案是最优的。
研究数据显示，大语言模型在约束优化问题上的可行性约为 70%-90%，但最优性仅为 20%-60%。更严重的是“不可行性识别偏差”——当问题无可行解时，许多 Agent 倾向于静默放松约束，而不是报告不可行。
在制造场景中，一个“看起来合理但实际无法执行”的方案，往往比明确报告“无解”更加危险。
基于以上分析，我们可以给出 Decision Layer 的定义：
Decision Layer 是位于智能体层与执行层之间，负责目标表达、约束管理、冲突协调、决策生成与优化求解的能力层。
这个定义包含几个关键要素：
位置：位于 Agent Layer 与 Execution Layer 之间。它不替代 Agent，也不替代执行系统，而是填补两者之间的能力空白。
职责：目标表达、约束管理、冲突协调、决策生成、优化求解。
形态：它是一种“能力层”，不一定是一个独立系统。它可以以独立引擎、嵌入式组件、平台服务、可授权工具包等多种形态存在。
这个定义的核心判断是：Decision Layer 不是一个产品类别，而是一个架构层。 。
任何工业决策，都涉及五个基本要素：
- 目标：企业想要达成什么？交付优先、成本优先、还是库存优先？
- 约束：现实允许做什么？设备能力、物料齐套、工艺路线、班制日历。
- 资源：有什么可以调配？设备、人员、物料、时间。
- 规则：必须遵守什么？工艺约束、安全规范、客户承诺。
- 响应：变化发生时如何调整？设备故障、订单插单、物料延迟。
传统系统往往只处理其中一两个要素：ERP 处理目标和资源，MES 处理规则和执行，APS 处理约束和优化。但没有一个系统，把这五个要素组织成一个统一的决策框架。
Decision Layer 就是把这五个要素纳入同一个结构，并定义它们之间的依赖关系。
工业决策的参与者，正在从“人”扩展到“人 + AI/Agent + OR”。
- Human：负责目标设定、价值判断、风险承担和最终责任。
- AI：负责理解、预测、模式识别和方案解释。
- Agent：负责感知、组织、编排、交互和任务执行。
- OR（运筹优化） ：负责在约束下进行精确求解和方案生成。
这四类主体各有能力边界，也各有不可替代性。Human 不能替代 OR 的计算精度，OR 不能替代 Human 的责任承担，Agent 不能替代 Human 的价值判断，AI 不能替代 OR 的可行性证明。
Decision Layer 是定义这四类主体在决策链条中的分工与协作方式。
一个完整的协同决策过程，包含五个阶段：
目标形成：多个主体表达各自的目标和偏好，系统将其转化为可比较、可协调的结构化对象。
约束表达：将业务规则、资源限制、工艺要求转化为优化模型可以理解的约束条件。
方案生成：在目标和约束的共同作用下，生成一个或多个可行方案。
冲突协调：当目标冲突或约束矛盾时，识别冲突来源，提出调整方案，达成共识。
决策实施：将最终方案转化为执行指令，并建立反馈机制，让执行结果回到下一轮决策。
这五个阶段不是线性的，而是循环的。每一次执行反馈，都可能触发目标调整、约束修改或方案重构。
Decision Layer 的核心主张是：工业决策的未来，不是某一类主体取代另一类主体，而是四类主体的融合。
Human 提供方向和责任，AI 提供理解和预测，Agent 提供组织和执行，OR 提供精确和可行。
这个主张与当前行业的主流叙事形成了对比。当前行业更多讨论“Agent 能做什么”“AI 会不会取代人”，而 Decision Layer 讨论的是“四类主体如何协同形成可靠决策”。前者是能力问题，后者是架构问题。
Decision Layer 的参考架构，可以概括为三层：
Agent Layer
────────────────────────
理解需求、感知变化、交互协同、任务编排
Decision Layer
────────────────────────
表达约束、协调冲突、验证可行、优化求解、比较方案
Execution Layer
────────────────────────
ERP、MES、WMS、SCADA 及自动化设备
Agent Layer 回答“我们想做什么”。它负责感知环境、理解业务需求、组织上下文、接收人的意图、提出目标和建议、编排任务与工具。
Decision Layer 回答“我们究竟能做什么”。它负责业务对象和语义表达、目标约束和偏好配置、规则推理、冲突识别、可行性验证、优化求解、方案比较、仿真推演、结果解释、执行反馈。
Execution Layer 回答“如何把决策执行出来”。ERP、MES、WMS、SCADA、设备控制系统负责记录业务状态、执行生产指令、采集现场数据、管理库存设备和工艺，并反馈执行结果。
三层之间不是替代关系，而是职责分工。Agent 负责提出目标，Decision Layer 负责验证和求解，执行系统负责落实结果。
以“A 订单优先交付”为例，一个典型的决策流是：
订单 Agent 提出目标：优先完成 A 订单
↓
Decision Layer 读取业务与现场约束
↓
检查设备、工艺、物料、换型、能源和交期条件
↓
发现目标冲突：A 订单优先将导致 B 订单延期 3 天
↓
生成冲突说明和备选方案
↓
反馈给订单 Agent 及负责人
↓
调整目标权重或放宽部分约束
↓
重新求解并比较方案
↓
形成可执行计划
↓
MES 及相关执行系统落实
↓
执行结果反馈至 Decision Layer
这个流程的重点不是让某一个 Agent 拥有最终答案，而是让所有 Agent 的建议进入统一的决策空间，经过约束验证和目标权衡后形成共同方案。
当前行业主流的工业智能体架构，大致可以归纳为“感知—决策—执行”三层。但在实践中，“决策”这一层往往被简化为“调用求解器”或“生成方案”。
Decision Layer 的提出，是对这一架构的补充和深化。它不是要替代工业智能体架构，而是要明确：在感知与执行之间，需要一个独立的、结构化的决策层。
这个层与工业智能体架构的映射关系是：
| 工业智能体架构 | Decision Layer 对应 |
|---|---|
| 感知层 | Agent Layer |
| 决策层 | Decision Layer（需要被独立定义） |
| 执行层 | Execution Layer |
这是 Decision Layer 框架中最容易被误解的部分。需要明确：
Decision Layer ≠ APS。APS ⊂ Decision Layer。
APS 是 Decision Layer 的一个子集。APS 解决的是“排程优化”问题，而 Decision Layer 解决的是“目标表达、约束管理、冲突协调、决策生成、优化求解”的完整问题。
APS 可以作为 Decision Layer 的一个组件存在，但 Decision Layer 不局限于 APS。它还包括目标系统、响应机制、共识机制、平衡判定等 APS 不涉及的能力。
这个区分很重要。因为如果 Decision Layer 被等同于 APS，那么它的价值就会被局限在“排程优化”这个小范围里。而如果 Decision Layer 被理解为一个独立的架构层，它的价值就对应着整个工业智能体时代的决策基础设施。
Decision Layer 不是一个抽象概念，而是一个有专利体系支撑、有工程实现验证的技术框架。
DecisioWorks 的 7 件发明专利(布局)，恰好对应 Decision Layer 的五个层级。
对应专利：《一种高级计划与排程标准化数据接口方法与系统》
数据基础层解决的是“业务如何进入可计算结构”的问题。标准化数据接口不是字段对齐，而是把订单、产品、物料、BOM、工艺、资源、日历、库存、约束和目标组织成可计算、可追溯、可复用的业务资产。
这一层是 Decision Layer 的入口。没有稳定的数据入口，后续的约束表达、优化求解、结果反馈都无从谈起。
对应专利：《一种用于 APS 的目标系统及其统一构建方法与扩展体系》《一种面向智能制造计划的多层级响应方法》《一种基于切换矩阵的结构化序列构建方法及连通性判定体系》
决策能力层解决的是“目标如何表达、变化如何响应、序列如何构建”的问题。
- 目标系统：把交期、负荷、库存、换型、风险等偏好转化为可配置、可比较、可审计的优化目标。
- 多层级响应：把应激响应、局部重构、协同重构组织成三级响应机制，让计划能够随现场变化持续调整。
- 切换矩阵：把序列构建从元素级排列降维到段级结构规划，让排程在结构层面可控。
这一层是 Decision Layer 的“能力组件”。它们各自解决一个具体的决策子问题，共同构成决策能力的工具箱。
对应专利：《一种面向 APS 的多层能力体系的统一构建与扩展方法》
决策架构层解决的是“决策能力如何被组织、扩展和复用”的问题。九层能力体系——数据层、目标层、协同层、响应层、智能层、算子/模型层、算法层、模板层、加速层——定义了 Decision Layer 的内部结构，以及各层之间的接口和依赖关系。
这一层是 Decision Layer 的“骨架”。它让决策能力不再是零散的模块，而是一个可以持续演进、插件化扩展的架构。
对应专利：《一种面向制造决策系统的功能架构及其协同机制》
决策工具包层解决的是“决策能力如何被封装、调用和集成”的问题。功能架构定义了数据接口、决策目标、扰动响应、融合决策等能力模块，并通过 12 个标准动作（数据采集、约束解析、目标构建、方案生成、方案评估、方案选择、异常识别、影响分析、局部调整、协同重构、执行下发、决策解释）把模块能力封装为可组合的行为单元。
这一层是 Decision Layer 的“接口”。它让决策能力可以被 Agent 调用、被 MES 集成、被生态伙伴复用。
对应专利：《一种面向复杂场景的协同决策优化系统及其方法》
决策范式层解决的是“多个主体如何在冲突中形成统一决策”的问题。边缘化方法定义了约束表达的方式，决策共识机制定义了冲突协调的机制，优化行为的控制与反馈机制定义了求解与校准的闭环，结构化目标体系定义了多目标映射的规则。
这一层是 Decision Layer 的“灵魂”。它定义了决策本身的结构——目标如何表达、约束如何传递、共识如何形成、平衡如何判定、演进如何发生。
五层之间的关系，可以概括为：
Decision Paradigm（范式层）
↑
Decision Toolkit（工具包层）
↑
Decision Architecture（架构层）
↑
Decision Capability（能力层）
↑
Decision Foundation（数据基础层）
范式层定义“决策如何被组织”，架构层定义“能力如何被分层”，工具包层定义“能力如何被调用”，能力层定义“具体问题如何被解决”，数据基础层定义“业务如何进入系统”。
这五层不是孤立的，而是一个相互支撑的体系。
该标准（计划号 20251063-T-339）已完成报批稿公示，涵盖决策目标管理、决策准备、决策策略选择、决策建模与优化、评价与改进等环节。
Decision Layer 与其对应关系是：
| 标准环节 | Decision Layer 对应 |
|---|---|
| 决策目标管理 | 目标系统（Decision Capability） |
| 决策策略选择 | 决策共识机制（Decision Paradigm） |
| 决策建模与优化 | 优化引擎 + 受控求解（Decision Paradigm） |
| 评价与改进 | 平衡判定 + 反馈校准（Decision Paradigm） |
Decision Layer 为这一标准提供了一个可运行的技术参考框架。
GB/Z 195-2026《人工智能 工业智能体参考架构》已作为国家标准化指导性技术文件实施，为工业智能体的系统架构提供了顶层参考。
Decision Layer 与其对应关系是：参考架构定义了 Agent 层的结构，Decision Layer 补充了 Agent 层与执行层之间的决策层结构。两者是互补关系，不是替代关系。
NIST、MIT、IBM 等机构正在研究的 Human-AI Teaming，关注的是人与 AI 如何协同工作。
Decision Layer 与其对应关系是：Human-AI Teaming 关注“人与 AI 如何交互”，Decision Layer 关注“人与 AI 如何形成决策”。前者是交互问题，后者是决策问题。
Agentic Manufacturing 是当前国际工业界的热点方向，关注 Agent 如何进入制造系统、如何协同、如何执行。
Decision Layer 与其对应关系是：Agentic Manufacturing 关注“Agent 如何工作”，Decision Layer 关注“Agent 如何形成可靠决策”。前者是能力问题，后者是架构问题。
制造业的演进路径，可以概括为三个阶段：
数字化：把物理世界转化为数据，解决“看得见”的问题。 智能化：让系统能够理解、预测、感知，解决“看得懂”的问题。 决策智能：让系统能够在约束下形成可靠决策，解决“做得对”的问题。
当前行业正处于“智能化”向“决策智能”过渡的阶段。Agent 的繁荣，是“智能化”阶段的标志；Decision Layer 的提出，是“决策智能”阶段的起点。
Agent 之后，不是更多的 Agent，而是 Agent 与执行系统之间的决策层。
未来的工业软件架构，可能不是“一个系统包办一切”，而是：
Agent Layer（多个智能体提出目标、组织任务）
↓
Decision Layer（协调冲突、验证可行、优化求解）
↓
Execution Layer（ERP、MES、WMS、设备系统执行）
在这个架构中，Agent 负责“想做什么”，Decision Layer 负责“能不能做”，执行系统负责“怎么做”。三层各司其职，又通过标准化接口连接。
Agent 层越繁荣，Decision Layer 越重要。
Agent 正在改变工业软件，但它改变的并不是决策本身，而是决策被发现、组织和调用的方式。
当越来越多的 Human、AI 与 Agent 参与企业运营时，真正稀缺的将不再是智能体，而是让智能体达成一致行动方案的能力。
Decision Layer 正是连接智能与执行之间的关键基础设施。
它不仅是工业智能体时代缺失的一层，也正在成为下一代制造决策体系的核心。
Product Home | DecisioWorks v1.4.0 | English / 中文
- What Is DecisioWorks / DecisioWorks 是什么
- Scenarios and Pain Points / 适用场景与痛点
- Quick Start / 快速开始
- Documentation Map / 文档地图
- Research and Commercial Editions / 研究版与商业版
- Whitepapers / 白皮书
-
Learning Center / 学习中心: 8 topics / 8 个专题
- Design Principles and Differentiation / 设计原则与差异化
- Architecture Overview / 总体架构
- Component Responsibilities / 组件职责
- Standard Actions and Orchestration / 标准动作与能力编排
- Objectives and Rule Control / 目标与规则控制
- Controlled Solving and Engine Adapters / 受控求解与模型适配
- Results, Evidence, and Feedback / 结果、证据与反馈
- Developer Guide Index / 开发手册索引
- Data Objects and Fields / 数据对象与字段
- Actions, Recipes, and Execution / 动作、配方与执行
- Runtime Status, Errors, and Limits / 运行状态、错误与限制