EMS开源系统加入AI Agent

这篇文章是两天前发的。

现在它落地了。

先说 EMS 是什么

EMS 是一个企业级开源设备管理系统，基于 Go + Vue 3 + PostgreSQL 构建，用 Docker 一键部署。

它解决的核心问题是：集团型企业有几十个工厂、几万台设备、上万个使用者，设备台账、点检、维修、保养、备件——这些事怎么管好。

听起来很普通对吧？市面上设备管理软件一大把。但 EMS 有几个不一样的地方：

点检反作弊。工人做点检必须扫设备上的二维码，系统记录 GPS 和时间戳。杜绝”云点检”——人在办公室，点检报告已经”完成”了。

移动端闭环。从扫码报修到接单维修到备件消耗到验收归档，全在手机 H5 上完成，工人不需要学复杂系统。

集团级架构。基地→工厂→车间三级组织，权限按级管控，10K+ 用户并发无压力。

这些是”基础功能”，已经稳定运行。真正让我兴奋的是新加的东西。

Agent 不是聊天机器人

现在很多系统加 AI 的方式是：嵌入一个对话框，用户问什么，系统调 API 给一段回答。

这不叫 Agent，这叫 FAQ 机器人。

我见过的最典型的”伪 Agent”是这样的——你问”上个月三车间维修费用多少”，系统用大模型把 SQL 查询结果翻译成一段中文返回。换了模型、换了 Prompt，输出风格变了，但分析的深度不会变。

因为分析维度是你提前想好的。

真正有价值的发现，往往是没预设的角度。一个设备工程师在车间干了二十年，他脑子里最值钱的不是”MTBF怎么算”，而是”诶，这个振动模式我见过，去年B线也出现过，最后发现是轴承批次问题”。

这种基于经验的跳跃式判断，才是专家的价值。

所以 EMS Agent 的设计原则是：规则分析先行，大模型解释在后。

结构化的分析引擎（维修审计、保养优化、预测分析）负责从数据中发现问题、算出结论。大模型负责把结论翻译成工程师听得懂的语言，配上证据链和来源追踪。

不是让大模型去”想”，而是让大模型去”说”。

三层存储：越用越聪明

这是整个 Agent 最核心的设计。

我和 AI 搭档 Hermes 协作了一个多月，有个很深的感受：它今天能帮我做的事，和刚开始完全不一样。不是模型变强了，是它”记住”了——我知道你怎么写文章、喜欢什么结构、以前讨论过什么结论。

这种”越用越聪明”的能力，在设备管理场景里价值更大。

因为设备管理的核心资产是人脑里的经验，而这些经验随人走。

老工程师退休了，他脑子里关于”3号CNC夏天容易出什么毛病”的知识就没了。新来的又得从头摸。每个工厂都在重复这个过程。

EMS Agent 的三层存储就是为了解决这个问题：

技能库——存”怎么做”

不是传统意义上的技能，而是可执行的分析方法。比如工程师通过对话排查出一个备件批次质量问题，排查路径是：先按批次统计故障率，再对比差异，最后排除设备使用强度干扰。这个路径被提炼成”技能”存入技能库。下次其他车间出现类似情况，Agent 直接调用，几分钟出结论。

技能不绑定某台设备，可以跨设备、跨车间、跨时间复用。

知识库——存”发现了什么”

分析产出的具体结论。比如”三车间B线CNC冬季heater故障率上升47%，根因是批次BT20250803的加热管质量缺陷”。知识针对具体设备、车间、时间段，有生命周期——设备换了、工艺改了，知识就过时。

经验库——存”什么有用什么没用”

不记录分析内容，记录工程师对 Agent 的校准。比如工程师说过”分析备件时要默认包含同比数据”，这就是一条经验。三个月没被验证的偏好自动降低权重。

180天模拟数据：Demo 里就有故事

光说功能太干。为了让 Demo 真正能体验，我生成了 180 天的模拟数据，里面埋了真实场景：

有个叫张三的工程师，喜欢”救火”——设备坏了才修，保养永远超期，维修费用一直高企。

还有个叫李四的，预防性维护做得很好，但他有个问题：过度保养。有一台 12 年的老冲压机 PRESS-05，保养记录完美，但维修成本反而比其他同龄设备高——因为保养做得太多反而加速了部件磨损，而且累计投入已经超过了设备的剩余价值。

Agent 能识别出 PRESS-05 的 TCO（总拥有成本）已经不划算，会建议退役换新。这就是 L4 级别的预测性洞察——不是等你来问，而是主动告诉你该关注什么。

Demo 地址：https://ems.317316.xyz （账号 admin / 密码 admin123）

工程师把关，不是 AI 替代

有人可能会问：Agent 分析出结论，会不会直接改数据、派工单？

不会。

这是 EMS Agent 的第四条设计原则：分析型，不操作型。

Agent 只做数据分析和洞察建议，不自动派单、不执行操作、不影响生产流程。所有自动产出的结论和技能草稿，都需要工程师确认后才生效。

反馈方式也很轻量——在报修单详情页顺手点”有用”或”不对”就行，不打断工作流。

因为工厂里，AI 出错的影响不是”推荐了一首烂歌”，而是可能导致停线、安全风险。在这个场景下，克制比能力更重要。

数据是主食，对话是方向

最后说一个容易忽略的设计取舍。

很多 AI 产品把对话当作主要的数据输入——用户说什么，系统就分析什么。但在设备管理系统里，系统本身承载的数据才是主食。

设备台账、点检记录、维修工单、保养计划、备件消耗——这些结构化数据已经足够做深度分析。Agent 不需要工程师”告诉”它数据，它自己就能看到。

对话的价值不在于提供数据，而在于提供方向——工程师说”帮我看看三车间最近的报修”，Agent 知道该分析什么；工程师说”把备件批次也拉出来看看”，这就是工程师在给方向，Agent 从中学到了新的分析角度。

所以 Agent 必须嵌在业务系统里，不是外挂工具。

最后

这个项目还在持续迭代中。技能库的冷启动、从自然语言提炼结构化分析步骤、大模型调用成本控制——这些都是接下来要解决的问题。

但方向已经验证了：一个有专业底子、能从数据里学、能沉淀经验、越用越聪明的设备管理 Agent，不应该是概念，而应该是工具。

开源地址： https://github.com/Feng-H/EMS-Claude

在线 Demo： https://ems.317316.xyz （admin / admin123）

欢迎 Star、Issue、PR，对 EMS 或 AI 落地感兴趣的朋友，欢迎扫码加微信交流：

微信二维码（长按识别添加）

*验证时备注：EMS 或 AI 制造，方便我知道你是从文章来的。*

微信二维码（长按识别添加）