LLM 驱动的多智能体控制用于基于技能的智能制造

该论文提出一种面向技能型智能制造的 LLM 多智能体控制方案：每个工厂模块配一个专用 LLM agent 和 MCP 工具服务器，通过 OPC UA 方法调用暴露技能，agent 之间用 MQTT 协调，并注入实时工厂状态。研究在六模块六边形工厂仿真中，用九类复杂度递增的生产挑战比较 orchestrator、peer-to-peer 和 monolithic 三种架构，并包含静默硬件故障检测场景。

此前产线控制多依赖静态程序，换型或定制需要频繁重新编程，且难以应对运行时突发故障。该工作把 LLM agent、MCP 工具化和 MQTT 协调直接接入工厂状态，并用对照实验比较三种架构，给出了可复现的验证基线，而非停留在概念演示。

机制是把模块技能封装为 MCP 工具，经 OPC UA 暴露给各自的 LLM agent；agent 通过 MQTT 互相协调，并持续接收实时工厂状态作为 grounding。这样离线生成确定性生产序列，在线处理静态程序无法预料的运行时故障。实验中所有架构都在没有显式故障处理逻辑的情况下表现出涌现式故障诊断行为。

对产品和研发的直接影响是：可把设备或模块能力标准化为 MCP/OPC UA 工具接口，让 agent 与既有自动化系统对接；仿真先行验证架构选择，降低在真实产线试错成本。对流程而言，定制化小批量生产的换型编程与运行时异常处置可能部分由 agent 承担。

• 将工厂模块能力封装为 MCP 工具服务器，并统一通过 OPC UA 暴露技能接口，形成可复用的 agent 接入层。
• 针对易阻塞的输送环节，开发基于实时状态注入的自主重路由与静默故障检测模块。
• 在仿真环境中建立九类复杂度递增的生产挑战基准，用于比较 orchestrator、peer-to-peer、monolithic 架构。
• 围绕 MQTT 协调和实时状态注入，提供面向智能制造的多 agent 通信与 grounding 中间件。

• 论文仅报告仿真结果，尚未在真实六模块工厂中验证。
• 三种架构的平均解决率相同，但在成本、延迟和可维护性上是否有差异未被说明。
• 静默传送带故障仅由 orchestrator 架构在十次运行中全部解决，其他架构失败原因未披露。
• MCP、OPC UA 与 MQTT 组合方案在现有产线改造中的部署代价未有证据。