(Um guia prático de controle em malha fechada usando Node-RED, MQTT e o LLM DeepSeek.)
Acreditamos que a próxima geração de sistemas industriais pode não apenas reagir — eles podem pensar, agir e aprender.
Não apenas recuperando dados de referência como o RAG, oferecendo sugestões como um chatbot ou respondendo perguntas passivamente — mas executando decisões ativamente e fechando ciclos de controle como um especialista humano faria.
Factory Agent é a nossa tentativa de esboçar essa possibilidade:
Um sistema de agente LLM de raciocínio, rodando no Node-RED, monitorando tópicos MQTT em tempo real e tomando decisões para uma fábrica de manufatura simulada
É de código aberto, orientado a eventos e experimental.
Não porque temos todas as respostas — mas porque este espaço é empolgante demais para não ser explorado.
Por que a IA Industrial Precisa de Agentes de Tomada de Decisão
O mundo industrial está repleto de dados. Mas a tomada de decisão — especialmente na borda — ainda depende fortemente da intuição humana e de regras manuais.
As aplicações de IA na indústria hoje muitas vezes permanecem passivas: elas respondem a perguntas, resumem documentos ou auxiliam em interfaces. Mas pouquíssimas realmente tomam decisões, executam comandos e assumem a responsabilidade pelos resultados de forma integrada.
Nossa pergunta era simples:
Podemos construir um sistema de agente que detecta eventos da fábrica, raciocina sobre possíveis estratégias e executa ações — como um operador júnior capacitado com instintos de especialista?
Para explorar isso, começamos com um sistema mínimo viável — e estamos compartilhando-o como código aberto para convidar a comunidade a construir, expandir e desafiá-lo.
Construindo o Sistema de Controle de Malha Fechada
Na teoria de controle clássica, um controlador de malha fechada monitora continuamente as saídas e retroalimenta o sistema com informações para ajustar o comportamento — permitindo a autocorreção mesmo sob condições variáveis (por exemplo, loops PID em controle de processos).
Estendemos esse paradigma para o mundo dos agentes de LLM.
O loop agora opera em cinco camadas essenciais:
Camada de Percepção
- Conecta-se a fontes de dados de OT/IT da fábrica.
- Usa um Namespace Unificado (UNS) baseado em MQTT para organizar dados em tempo real em tópicos semanticamente significativos.
- Cada agente "percebe" o mundo da fábrica por meio de tópicos MQTT selecionados.
Camada de Raciocínio e Tomada de Decisão (Camada de Agente)
- Cada agente é uma unidade independente baseada em LLM.
- Possui seus próprios prompts, objetivos e (no futuro) módulos de memória.
- Cada agente é um LLM independente com seus próprios prompts e memória. Ele pensa, planeja e aciona ações quando necessário.
Camada de Despacho de Ação
- As saídas do agente são transformadas em comandos JSON estruturados.
- Estes são publicados via MQTT para tópicos de controle.
- Cada comando é endereçado ao componente do sistema correspondente (por exemplo, máquina, aquecedor, agendador).
Camada de Execução (Ambiente/Fábrica)
- A fábrica (real ou simulada) executa as ações.
- As mudanças resultantes são publicadas de volta no MQTT, fechando o loop de feedback.
Camada de Feedback e Aprendizado
- Monitora os resultados das ações.
- Prepara mecanismos para aprendizado futuro: atualizações da memória de trabalho, pontuação de ações e rastreamento de estratégias.
Isso forma uma implementação completa, impulsionada por LLM, do ciclo clássico "observar–planejar–agir–observar" — agora expandido para suportar agentes distribuídos e em evolução.
Um passo a passo prático
Visão geral da arquitetura
O sistema integra quatro componentes principais:
- Node-RED — Orquestração em tempo real de fluxos de mensagens entre agentes, tópicos e sistemas de execução.
- Broker MQTT — Uma espinha dorsal leve e orientada a eventos que permite uma estrutura de Namespace Unificado (UNS).
- Nós de Agentes de Fábrica — Nós especializados do Node-RED que gerenciam a percepção (entrada de estado), prompts de raciocínio e geração de ações por LLM.
- LLMs (por exemplo, DeepSeek, Gemini) — Realizam raciocínio, planejamento e tomada de decisão em tempo real com base no contexto observado.
Cada instância de LLM recebe estados estruturados dos tópicos MQTT, raciocina sobre possíveis estratégias e gera instruções de controle que são roteadas de volta via MQTT.
Cada instrução de controle é publicada em um formato de tópico-payload. Por exemplo:
Experimente você mesmo: Agente de Fábrica e Simulação de Fábrica Virtual
Disponibilizamos tanto os módulos do Agente de Fábrica e a simulação de fábrica virtual totalmente de código aberto, permitindo que qualquer pessoa explore e crie sistemas de controle inteligentes de malha fechada.
Com a fábrica virtual, você pode:
- Implantar um ambiente de manufatura simulado que publica tópicos MQTT realistas em tempo real.
- Emular interrupções, restrições de recursos, dinâmicas de produção e muito mais.
- Testar de forma segura e iterativa as configurações, estratégias e lógica de tomada de decisão do seu Agente de Fábrica.
Ao conectar nós do Agente de Fábrica, você pode:
- Monitorar eventos da fábrica em tempo real.
- Raciocinar sobre estratégias operacionais usando LLMs.
- Agir enviando instruções de controle de volta para o sistema da fábrica — completando o ciclo observar-planejar-agir-observar.
📂 Explore o código-fonte e o guia de início rápido:
O que vem a seguir: Memória, Multiagentes e o Futuro das Fábricas Pensantes
Isto é apenas o começo. Os próximos passos aprimorarão tanto a arquitetura quanto os componentes internos:
- Do agendamento de agente único à colaboração multiagente
- Suporte para mais LLMs, permitindo a integração perfeita de modelos futuros
- Acesso a ferramentas para agentes
- Conectando agentes a resolvedores numéricos, modelos de ML e APIs externas
- Simulação de fábrica virtual aprimorada, permitindo cenários de teste mais ricos e diversificados
- Integração de memória
- Memória de trabalho (controle da janela de contexto)
- Memória episódica (histórico de decisões)
- Memória procedimental (estratégias reutilizáveis)
- Memória semântica (conhecimento público)
- Aprimoramentos no ciclo de feedback
- Pontuação de ações, iteração baseada em feedback
Estamos construindo mais do que um produto — estamos criando um ambiente de pesquisa para repensar como as fábricas podem raciocinar, adaptar-se e colaborar.
Vamos construir fábricas inteligentes juntos.