(Uma arquitetura de fábrica inteligente de próxima geração para convergência de OT, TI e IA, validada na prática)

No cenário atual da manufatura inteligente, OT, TI e IA coexistem, mas frequentemente permanecem fragmentadas: equipamentos de linha de frente geram grandes volumes de dados, que permanecem presos em sistemas e relatórios isolados; a granularidade e o contexto dos dados são perdidos durante a transmissão entre camadas, forçando a IA a tomar decisões baseadas em "contextos distorcidos"; até mesmo modelos poderosos carecem de uma "interface de implantação" unificada, dificultando a formação de um verdadeiro ciclo fechado. Enquanto isso, os requisitos de segurança e controle são extremamente rigorosos, tornando impossível que a IA intervenha diretamente nas linhas de produção à vontade.

Um desafio ainda mais grave reside no fato de que, mesmo para links de dados de OT e TI, apenas cerca de 23% das empresas de manufatura os integraram verdadeiramente. Quando a TI tem dificuldade em se conectar efetivamente com a OT, o papel da IA nas fábricas torna-se ainda mais limitado.

A solução não é criar mais uma ilha isolada, mas reconstruir uma arquitetura de ciclo fechado de três camadas que conecte OT, TI e IA:

• Camada de Sensoriamento (Dados): Organize dados fragmentados em "estados de mundo" consumíveis;
• Camada de Pensamento (Inteligência): Permita que as máquinas raciocinem e planejem dentro de semânticas e estruturas;
• Camada de Ação (Execução): Garanta que as decisões sejam implementadas de forma segura e transparente no mundo real.

Isso não é apenas uma visão em um slide, mas protótipos e práticas que já concluímos em fábricas simuladas (Simulador NLDF, Agente de Fábrica) e fábricas reais (Fábrica de Fuyang).

Imagine isto—

"Estou quase cheio aqui, pausando a alimentação."
"Recebido, vou aguardar uma rodada."

Não são humanos conversando, mas AGVs de duas linhas de produção negociando através da linguagem.

Este é precisamente o futuro que estamos explorando: uma fábrica inteligente de próxima geração que pode se comunicar, entender uns aos outros e continuamente se auto-otimizar e iterar.

Estrutura Teórica

A inteligência humana deriva de um ciclo fechado simples, porém poderoso: Sentir → Pensar → Agir.

• Sentir nos permite ver o mundo, transformando estímulos externos em informação;
• Pensar nos permite atribuir significado, formando julgamentos e planos;
• Agir nos permite mudar o ambiente e refinar nossa cognição por meio de feedback.

A robótica baseia-se neste princípio, propondo o clássico paradigma “Sentir-Pensar-Agir”: a inteligência artificial complexa pode ser dividida em três módulos colaborativos — um módulo de percepção coleta sinais ambientais, um módulo de decisão planeja estratégias e um módulo de execução realiza ações. É precisamente devido a este paradigma que os robôs saíram gradualmente dos laboratórios para ambientes complexos do mundo real.

Os sistemas industriais também exigem esse "ciclo fechado semelhante ao cérebro". Sem uma percepção unificada, até mesmo dados abundantes permanecem fragmentados; sem uma inteligência explicável, a IA torna-se uma caixa-preta, difícil de confiar; e sem uma execução segura e controlável, qualquer automação pode se tornar um risco potencial.

A partir de princípios fundamentais, um sistema de agente inteligente confiável deve satisfazer três leis universais:

1. A percepção deve ser consumível – Os dados não servem para acumulação ou armazenamento, mas devem ser organizados e modelados para se tornarem um "estado de mundo" que possa ser compreendido e utilizado por agentes inteligentes.

2. A inteligência deve ser explicável – As decisões não são resultados de caixa-preta, mas devem ser transformáveis de linguagem em planos estruturados, com sua lógica e contexto rastreáveis.

3. A execução deve ser segura e controlável – As ações não são emitidas cegamente, mas devem operar dentro de uma estrutura protocolada com limites de segurança, apoiando a colaboração humano-máquina, reversão e auditoria.

Portanto, a estrutura filosófica de três camadas que propomos não é apenas uma arquitetura técnica, mas uma abstração universal para sistemas de agentes inteligentes:

• Camada de Percepção (Dados): Organiza dados fragmentados em "estados de mundo" consumíveis;
• Camada de Pensamento (Inteligência): Permite que as máquinas raciocinem e planejem dentro de semânticas e estruturas;
• Camada de Ação (Execução): Garante que as decisões sejam implementadas de forma segura e transparente no mundo real.

Esta não é apenas uma necessidade de uma fábrica, mas também um princípio aplicável a qualquer sistema que tente introduzir IA no mundo físico.

"Sem percepção consumível, não há inteligência explicável; sem execução controlável, não há ciclo fechado confiável."

Visão Geral da Arquitetura

Agora podemos usar um "ciclo fechado de três camadas (Sentir–Pensar–Agir)" explicável, controlável e evolutivo para conectar percepção semântica → geração de decisão → execução automatizada em um sistema de agente industrial inteligente de ponta a ponta.

Com base na filosofia de design (três princípios fundamentais) proposta na Seção 2, a implementação utilizará uma estrutura de três camadas e um diagrama ilustrativo que inclui uma camada de aplicação prática.

Análise da Arquitetura em Camadas + Produtos Correspondentes para Cada Camada (Tabela Geral)

Camada de Percepção: De Silos de Dados a Estados de Mundo Consumíveis

A Camada de Percepção atua como o "órgão sensorial" dos agentes inteligentes, responsável por coletar, organizar e expressar o estado do mundo, fornecendo informações ambientais necessárias para a tomada de decisão pela Camada de Pensamento.

Desafio Principal: O Problema dos Silos de Dados

Para a percepção de dados, o verdadeiro desafio nunca foi "se os dados podem ser coletados", mas sim como projetar métodos de coleta sob a perspectiva do consumo de dados. Se for apenas "pegar um pouco de dados onde quer que existam", muitas vezes acaba como uma pilha de arquivos fragmentados e não relacionados, cada um operando de forma independente, formando, em última análise, silos de dados.

Esses dados são como matérias-primas empilhadas aleatoriamente em um armazém: na superfície, parecem abundantes, mas faltam numeração, embalagem e organização unificadas; quando você realmente precisa recuperá-los, é difícil encontrar "a peça certa" rapidamente; mais grave ainda, diferentes lotes podem até apresentar duplicação, conflitos e inconsistências semânticas.

O resultado é que os dados coletados com tanto esforço, em vez de se tornarem "recursos compreensíveis e utilizáveis", transformam-se em custos irrecuperáveis.

Namespace Unificado (UNS) – A Espinha Dorsal Semântica para Eliminar Silos de Dados

A introdução da arquitetura de Namespace Unificado (UNS) no setor industrial é a pedra angular para eliminar silos de dados e alcançar a interconexão de dados. Ela vai além da simples integração de dados, organizando todos os dados da fábrica com uma estrutura de árvore semântica, permitindo que dados de diferentes fontes e formatos converjam para um modelo unificado de acordo com a arquitetura empresarial. O UNS fornece essencialmente um "serviço de diretório" e uma "camada semântica" para dados industriais, metaforicamente referido como uma fonte única de verdade para dados em tempo real. Ele oferece um "mapa semântico" intuitivo para Agentes de LLM, permitindo-lhes aplicar "atenção seletiva" e "retenção de contexto" aos fluxos de dados relevantes com base em suas funções.

Implementação Técnica do UNS: Organização Semântica Baseada no Modelo ISA-95

O UNS (Unified Namespace) utiliza tipicamente um modelo de árvore para construir uma estrutura de dados semântica unificada, organizando entidades fabris complexas, processos de produção e pontos de dados de forma hierárquica e orgânica. O modelo ISA-95, como padrão internacional para automação industrial, é um paradigma orientador típico para o UNS implementar este modelo de árvore. Para alcançar a organização semântica, o modelo ISA-95 é amplamente adotado para construir estruturas físico-espaciais hierárquicas (por exemplo, empresa, local, área, célula de trabalho, linha de produção), onde cada equipamento ou linha de produção é associado a status em tempo real, dados de ação ou dados analíticos (por exemplo, OEE), facilitando a navegação e a inspeção. A organização semântica do UNS não apenas reduz significativamente os silos de dados e as inconsistências de formato, mas também fornece um "mapa semântico" intuitivo para Agentes de LLM, permitindo-lhes aplicar "atenção seletiva" e "retenção de contexto" a fluxos de dados relevantes com base nas suas funções.

Solução: Uma Arquitetura de Três Camadas de Coleta → Organização → Expressão

A tarefa central da Camada de Sensoriamento não é apenas a "captura" de dados, mas sim projetar a estrutura semântica, o sistema de nomenclatura e as relações contextuais dos dados com antecedência, sob a perspectiva de como os consumidores os utilizarão. Isso é crucial para garantir que os dados não se tornem fragmentados, mas que se transformem na "linguagem e memória" da camada inteligente, apoiando decisões e ações reais.

Os sistemas industriais tradicionais utilizam frequentemente protocolos binários ou formatos de dados proprietários. No entanto, os modelos de LLM são mais aptos a processar informações estruturadas e significativas. A estrutura chave-valor do JSON alinha-se fortemente com a forma como os LLMs processam relações e significados, libertando grandemente o potencial dos LLMs ao fornecer riqueza semântica, relevância contextual e capacidades de raciocínio hierárquico. Entretanto, os Tópicos MQTT fornecem aos Agentes de LLM caminhos de informação autodescritivos, permitindo-lhes filtrar e focar inteligentemente em fluxos de dados relevantes, realizando uma mudança dos mecanismos tradicionais de polling para abordagens orientadas a eventos, reduzindo significativamente a sobrecarga de informações.

Para atingir os objetivos acima, a Camada de Sensoriamento subdivide o processamento de dados nos três passos principais seguintes:

1. Coleta

Reunir dados de múltiplas fontes provenientes de PLCs, sensores, MES/ERP, registros de inspeção de qualidade, etc. O desafio reside nos protocolos e formatos fragmentados, pelo que interfaces padrão como OPC UA, gateways e APIs são tipicamente utilizadas para o acesso. Neste processo, ferramentas de pré-processamento de borda como o Node-RED também desempenham um papel fundamental.

2. Organização

Classificar fluxos de dados brutos na borda ou na camada de agregação, incluindo alinhamento de carimbos de data/hora, filtragem de ruído e imputação de dados ausentes, bem como suplementar semânticas contextuais (ID do dispositivo, segmento de processo, número do lote) e padronizar unidades e formatos. Este passo é crucial para transformar dados brutos num "estado do mundo" compreensível pela camada inteligente.

3. Expressão

Transformar os dados organizados num "estado do mundo" consumível pela camada inteligente.

Os dados serão armazenados nestes três tipos de bases de dados:

• TSDB (Base de Dados de Séries Temporais): Armazena dados de sensores de alta frequência e curvas históricas, suportando consultas em tempo real e históricas.
• Data Lake: Armazena dados multimodais (imagens, vídeos, documentos, registros), suportando treinamento offline, modelagem histórica e análise de reprodução. Combinado com o conceito de "Cloud-Native Lightweight Factory Data Lakehouse" , enfatizando as suas características leves e nativas da nuvem.
• Base de Dados Relacional: Armazena dados de negócios estruturados e metadados.

Práticas e estudos de caso da plataforma SupOS

O SupOS, como plataforma de dados que utiliza o conceito UNS, inclui os seguintes componentes arquiteturais:

• Fluxo de Origem: Construído sobre o Node-RED, atuando como um pipeline que conecta dispositivos e sistemas, responsável por transformar dados de protocolo em tempo real em payloads JSON.
• Namespace: O núcleo do SupOS, um Broker MQTT semântico e analisador baseado em UNS, que modela dados usando hierarquias de Tópicos e payloads JSON estruturados.
• Destino: A camada de armazenamento, que armazena dados de Namespace de séries temporais em bancos de dados como TimescaleDB e TDengine, e dados relacionais de Namespace em PostgreSQL, alcançando consultas e compressão eficientes.
• Fluxo de Eventos: Coordena os dados do Namespace, integrando-os em fluxos de eventos/informações de nível superior, e suporta a fusão de payloads JSON e a inclusão de Prompts gerados pelo sistema para otimização via LLM.

Caso de integração real: Tomando como exemplo a integração de dados de ordens de serviço (ERP), status de equipamentos (CLP) e métricas de qualidade (Excel), a plataforma SupOS define primeiro uma estrutura clara através do Namespace (por exemplo, Equipment/CNC1, Order/orderInfo, Quality/orderQualitylog). Posteriormente, os nós do Node-RED no Fluxo de Origem são usados para analisar, formatar (em JSON) e enviar dados de APIs REST, CLPs Modbus e arquivos Excel para os Namespaces correspondentes. Finalmente, o Fluxo de Eventos conecta dados de pedidos e qualidade em tempo real ao LLM para análise de causa raiz, gravando os resultados em Quality/qualityAnalysis, alcançando assim a integração de dados de ponta a ponta e a aplicação inteligente.

Resumo

O valor da Camada de Percepção (Sense Layer) não está em "mover dados de volta", mas em transformar dados em um "estado de mundo digital" ordenado, semântico e consumível. É como transformar matérias-primas desorganizadas em uma biblioteca de peças cuidadosamente dispostas em prateleiras por categoria, permitindo que a camada inteligente as solicite, monte e raciocine a qualquer momento.

Em suma, a Camada de Percepção abre o caminho de dados de dispositivos de TO e sistemas de TI para a análise de IA, dando à IA industrial os "olhos" e a "rede de dados" para perceber a fábrica de forma abrangente.

Camada de Raciocínio / Raciocínio

Definição: A etapa de "Raciocínio" (Think) é onde os dados brutos coletados e processados na etapa de "Percepção" são transformados em insights acionáveis. A Camada de Raciocínio é o "cérebro" dos agentes inteligentes, responsável por compreender a intenção, gerar soluções e planejar decisões. Após a Camada de Percepção fornecer o status ambiental ou a intenção do usuário, a Camada de Raciocínio analisa e raciocina sobre as informações de entrada, determina o objetivo que o usuário ou sistema deseja alcançar e gera as soluções correspondentes. Essas soluções são tipicamente "estruturadas", com a Camada de Raciocínio traduzindo requisitos em linguagem natural para planos estruturados executáveis, como fluxogramas, sequências de chamadas de função/ferramenta ou código de lógica de controle. Isso equivale a preparar um "projeto de ação" para a Camada de Execução.

Principais Desafios e Oportunidades para Agentes

A tomada de decisão industrial tradicional depende fortemente da intuição empírica e de sistemas de software passivos. Em uma era de escassez de mão de obra e mudanças rápidas, este modelo não é apenas insustentável, mas também revela suas limitações inerentes ao lidar com grandes volumes de informações e ambientes dinâmicos complexos. Portanto, o futuro da IA industrial vai além de apenas RAG (Geração Aumentada por Recuperação), chatbots ou perguntas e respostas passivas; ele exige sistemas de Agentes de ciclo fechado capazes de tomar decisões proativamente, executar comandos e assumir a responsabilidade pelos resultados. Essa mudança permite que a inteligência artificial realmente preencha a lacuna entre "pensar" e "agir", realizando uma convergência profunda entre inteligência e execução.

Factorio: O Testbed Ideal para Agentes Inteligentes

Para explorar essa possibilidade, introduzimos o Factorio — um "ambiente de simulação industrial controlado, porém complexo e fisicamente consistente". Não é apenas um jogo; é o "sandbox digital" ideal para Agentes de LLM industriais. Aqui, cada decisão tomada por um Agente recebe feedback físico, exatamente como em uma fábrica real, mas sem incorrer nos altos custos e riscos do mundo real. O Factorio, como uma plataforma de teste de gêmeos digitais de nível industrial única, permite que pesquisadores e desenvolvedores, sem as restrições de hardware físico:

1. Testar profundamente sistemas de LLM industriais em ambientes complexos fisicamente consistentes: Ele fornece um microcosmo fabril altamente realista, simulando elementos industriais reais como recursos, cadeias de produção e logística, permitindo que Agentes de LLM aprendam e validem em uma complexidade próxima aos cenários do mundo real.
2. Visualizar decisões dos Agentes e suas consequências em tempo real, alcançando o "o que se pensa é o que se vê": Cada operação do Agente (por exemplo, construir, desmontar, configurar equipamentos, otimizar o layout) pode ser exibida instantaneamente na interface visual, aumentando significativamente a transparência e a interpretabilidade do processo de tomada de decisão.
3. Experimentar várias estratégias de automação com baixo custo e alta eficiência: Comparado aos custos de tentativa e erro em fábricas reais, o Factorio oferece um espaço experimental infinito, permitindo que os Agentes tentem com ousadia, iterem rapidamente e acelerem a validação e otimização de estratégias inovadoras.
4. Validar as capacidades de planejamento e otimização da IA em relação a mecanismos industriais estabelecidos, acelerando a implantação de modelos: Ele fornece um ciclo de feedback rigoroso para o planejamento, agendamento e otimização dos modelos de IA, garantindo que os Agentes possam não apenas "pensar", mas também traduzir seus pensamentos em ações físicas eficazes e mensuráveis, acelerando significativamente o ciclo de pesquisa e desenvolvimento de aplicações de IA industrial.

Essa abordagem de "laboratório natural" acelera significativamente o ciclo de pesquisa para aplicações de IA industrial, permitindo-nos focar na inteligência do agente em si.

Para liberar totalmente o potencial inteligente dos Agentes e capacitá-los a enfrentar desafios industriais mais complexos, estamos focando ainda mais em suas capacidades de colaboração multiagente e chamadas de ferramentas poderosas.

Colaboração Multiagente e Chamada de Ferramentas

Sistemas industriais frequentemente exigem que múltiplos agentes inteligentes especializados trabalhem de forma colaborativa. A combinação de JSON e MQTT, por meio da troca de mensagens semânticas, permite uma colaboração multiagente transparente. Por exemplo, em um cenário de crise no Factorio, agentes de poluição, produção e recursos podem realizar análises independentes ao se inscreverem em seus respectivos padrões de Tópicos relevantes (por exemplo, factorio/pollution/#, factorio/production/#) e publicar decisões estruturadas em JSON por meio de Tópicos como factorio/coordination/crisis_response para alcançar respostas coordenadas. Por exemplo, se um forno falha, os agentes podem coordenar a ativação de linhas de produção de backup, implantar módulos de eficiência e ajustar a alocação de recursos. Esse mecanismo alcança transparência semântica e flexibilidade temporal, permitindo que otimizações complexas em nível de sistema surjam a partir de informações contextuais compartilhadas entre agentes especializados.

Além disso, para aprimorar as capacidades de tomada de decisão, a Camada de Pensamento (Think Layer) também possuirá recursos poderosos de Acesso a Ferramentas, conectando-se a resolvedores numéricos, modelos de aprendizado de máquina, APIs externas, etc., para realizar operações dinâmicas, como consultar bancos de dados e calcular cronogramas. Por exemplo, o recurso de chamada de função da OpenAI, combinado com a estrutura de código aberto LangChain, permite que LLMs chamem bancos de dados de fábrica ou sistemas MES conforme necessário, alcançando tomada de decisão e ação autônomas. Para aumentar a confiabilidade da decisão, o raciocínio de Cadeia de Pensamento (Chain-of-Thought) é usado para permitir que os modelos raciocinem passo a passo explicitamente, gerando assim processos de decisão explicáveis.

Exemplos de Projetos e Práticas: Neste domínio, realizamos projetos como o Factory Agent, práticas de fábrica simuladas, Node-RED Copilot e BIS (Business Intelligence Assistant) como um Copiloto industrial. Entre eles, o BIS pode gerar automaticamente processos de negócios de MES (Manufacturing Execution System) com base em PRDs (Documentos de Requisitos de Produto) inseridos pelo usuário e fornecer insights inteligentes e sugestões de otimização, melhorando significativamente a eficiência de design e desenvolvimento de sistemas MES.

Camada de Execução / Fazer

Também pode ser entendida como uma "IDE de Execução" colaborativa entre IA e humanos. A Camada de Execução é o "braço executor" dos agentes inteligentes, cujo papel é traduzir as decisões em linguagem estruturada emitidas pela Camada de Pensamento em comportamentos de controle no mundo real. Quando a Camada de Pensamento toma uma decisão (por exemplo, sugerir o ajuste de parâmetros de uma máquina ou agendar um lote de transporte logístico), a Camada de Execução é responsável por emitir comandos e implementar ações, acionando equipamentos, softwares ou pessoal para concluir a decisão, fechando assim o ciclo Sentir-Pensar-Fazer. O núcleo da Camada de Execução é mapear soluções digitais abstratas para ações físicas/digitais específicas. Por exemplo, um plano de "reduzir a temperatura para aumentar a produção" gerado pela camada inteligente pode exigir que a camada de execução chame a API do sistema de controle industrial para reduzir a temperatura do forno de aquecimento em 5°C, ou emita instruções por meio do sistema de agendamento para que um AGV entregue matérias-primas com antecedência.

Protocolo de Contexto de Modelo (MCP) e Mecanismo de Fluxo Node-RED

Para executar instruções de forma confiável em ambientes complexos e heterogêneos, a Camada de Execução introduz o Protocolo de Chamada Unificado (MCP, Model Context Protocol) como uma interface padrão. O protocolo MCP fornece uma linguagem comum para a execução de agentes inteligentes; ele encapsula formatos de mensagens de comando, informações contextuais e planos de execução, garantindo que diferentes subsistemas possam entender e responder corretamente às instruções do agente. Em suma, o MCP permite que agentes inteligentes colaborem com vários sistemas/dispositivos em um estilo conversacional de alto nível, semelhante a como os humanos colaboram, evitando assim a inflexibilidade das chamadas de API rígidas tradicionais. Seus principais recursos aprimorados incluem:

• Recuperação e atualização de fluxos do Node-RED via MCP.
• Fornecimento de um sistema de backup de fluxo de várias versões com validação de integridade.
• Adição de descrições detalhadas de argumentos para ferramentas, atendendo melhor aos LLMs e lidando com tarefas complexas.
• Obtenção de informações de nós disponíveis (nome, ajuda, nome do módulo), em vez de código bruto.
• Instalação de novos módulos de nós via LLM e gerenciamento de estados de módulos e nós.
• Suporte ao gerenciamento de abas, nós individuais, busca de nós, acesso a configurações e status de tempo de execução, e disparo remoto de nós de injeção (inject nodes).

Ferramentas do Model Context Protocol (MCP)

As ferramentas MCP são subdivididas em Ferramentas de Fluxo (gerenciamento de fluxos), Ferramentas de Nó (gerenciamento de nós), Ferramentas de Backup (gerenciamento de backups), Ferramentas de Configuração (configurações do sistema) e Ferramentas Utilitárias (ferramentas de utilidade), proporcionando recursos abrangentes de controle do Node-RED.

Recursos Experimentais do MCP no supOS: Para aprimorar ainda mais a interação com LLMs, o supOS oferece funcionalidades MCP experimentais. Isso permite que LLMs acessem e interpretem o conteúdo do UNS em tempo real por meio de um Servidor e Cliente MCP integrados. As ferramentas suportadas incluem get-model-topic-tree (obter estrutura da árvore de Tópicos), get-model-topic-detail (obter metadados do Tópico), get-topic-realtime-data (obter dados em tempo real de um Tópico específico) e get-all-topic-realtime-data (obter dados em tempo real de todos os Tópicos relacionados). Essas ferramentas expandem significativamente as capacidades de percepção e interação dos LLMs na plataforma SupOS, permitindo a construção de Agentes mais inteligentes.

Se você tem interesse em saber como Agentes de LLM podem interagir profundamente com sistemas industriais como o Node-RED, convidamos você a visitar nosso repositório open-source node-red-mcp-server no GitHub (https://github.com/supcon-international/node-red-mcp-server) para experimentar pessoalmente esta poderosa interface de interação de IA industrial.

Motor de Fluxo Node-RED

Um componente crucial na arquitetura da Camada de Execução é o motor de fluxo Node-RED. O Node-RED orquestra a lógica de execução por meio de fluxos de dados visuais, tornando-o altamente adequado para a configuração rápida de processos de controle de várias etapas em ambientes industriais. Ao desenvolver nós de plugin especializados para o Node-RED, a estrutura de decisão do Agente (como fluxogramas gerados pelo Copilot mencionado anteriormente) pode ser injetada diretamente no Node-RED para execução. O Node-RED então lida com a interação com dispositivos e serviços subjacentes, concretizando a execução de processos low-code. Dessa forma, as decisões emitidas pela camada inteligente tornam-se uma série de nós no Node-RED (por exemplo, leitura de sensores, julgamento, ação de execução), que são então verdadeiramente "executados" na camada de execução. Fluxo aqui refere-se à estrutura específica do fluxo de trabalho de execução, que pode ser um fluxo de nós do Node-RED, um processo BPMN (Business Process Model and Notation) ou uma sequência de script personalizada.

Node-RED Dev Copilot: Um IDE de Execução para Humanos e IA

O Node-RED Dev Copilot é uma aplicação inovadora do protocolo MCP na Camada de Execução. É um plugin de barra lateral de assistência à programação por IA que oferece um poderoso suporte de IA para o desenvolvimento no Node-RED. Suas funcionalidades principais incluem:

• Suporte a IA multiplataforma: Compatível com OpenAI, Google Gemini, DeepSeek e APIs personalizadas compatíveis com OpenAI.
• Streaming em tempo real (SSE): Fornece feedback imediato por meio de respostas em streaming.
• Integração com protocolo MCP: Descobre e chama automaticamente ferramentas MCP, permitindo uma assistência de IA poderosa no desenvolvimento com Node-RED.
• Chamada inteligente de ferramentas: A IA seleciona e executa automaticamente as ferramentas relevantes com base nos requisitos.
• Interface de barra lateral e alternância entre múltiplos nós: Pode ser usada diretamente no editor do Node-RED, permitindo a alternância livre entre nós de LLM.
• Armazenamento seguro e histórico de sessões: Armazena chaves de API de forma segura por meio do mecanismo de gerenciamento de credenciais do Node-RED e suporta histórico de conversas de múltiplos turnos.

Com o Node-RED Dev Copilot, a Camada de Execução torna-se verdadeiramente uma "IDE de Execução" simultânea para desenvolvedores humanos e IA, aumentando significativamente a eficiência do desenvolvimento e o nível de inteligência dos processos automatizados.

Se você tem interesse em saber como o Node-RED Dev Copilot auxilia na programação com IA, convidamos você a visitar nosso repositório open-source no GitHub (https://github.com/supcon-international/node-red-dev-copilot) para experimentar pessoalmente esta IDE de Execução para humanos e IA.

Comunicação MQTT e Padronização de Comandos

A Camada de Execução interage com vários protocolos e interfaces southbound, como comandos de CLP, APIs REST, operações de banco de dados, instruções de controle de robôs, etc., mapeando cada etapa no Fluxo para ações reais. Para garantir a entrega confiável e em tempo real dessas ações, a Camada de Execução geralmente emprega barramentos de mensagens leves como o MQTT como canal de controle, combinando um modelo de publicação/assinatura para obter transmissão instantânea de comandos e feedback de status.

Na comunicação entre Agentes e o ambiente na fábrica simulada, a arquitetura de Tópicos MQTT e o formato de mensagem JSON são altamente padronizados. Por exemplo, os comandos enviados pelos Agentes devem estar no seguinte formato JSON:

{
  "command_id": "str (Optional field, used for recording decision process)",
  "action": "str (Must be one of the supported actions)",
  "target": "str (Target device ID for the action, optional)",
  "params": {
    "key1": "value1", ...
  }
}

E as mensagens de resposta do sistema são as seguintes:

{
  "timestamp": "float (Simulation timestamp)",
  "command_id": "str (From the player's command_id)",
  "response": "str (Feedback information)"
}

Suportado ação os comandos incluem move (movimentação do AGV), charge (carregamento do AGV), unload (descarregamento do AGV), load (carregamento do AGV) e get_result (obter resultados de KPI). Essa padronização garante comandos claros, controláveis e rastreáveis.

Cenários Práticos e Considerações de Design

Na Camada de Execução, focamos em como implementar as decisões da IA de forma segura e eficiente como ações no local. Por exemplo: sistema de agendamento de AGVs: após a camada inteligente determinar a sequência de entrega para múltiplos AGVs, a camada de execução precisa emitir tarefas para cada AGV e supervisionar sua conclusão. Desenvolvemos um plugin de controle de AGV para Node-RED que pode se comunicar com o controlador de despacho do AGV, traduzindo automaticamente o plano de agendamento da camada inteligente em instruções de rota específicas para o AGV, que são então publicadas via MQTT para realizar o despacho centralizado da frota de AGVs. No controle de processos de produção, a camada de execução envia parâmetros otimizados para o sistema de controle DCS via protocolo MCP e monitora o feedback para confirmar que os parâmetros foram aplicados. Quando robôs industriais ou equipamentos de linha de produção estão envolvidos, a camada de execução muitas vezes também precisa considerar intertravamentos de segurança e mecanismos de intervenção manual.

No controle industrial real, uma prática comum é introduzir um mecanismo de "dupla confirmação" para evitar operações errôneas. Embora esse recurso não esteja incluído no projeto atual de fábrica simulada com Agentes, ele será considerado no design da camada de execução para implementações reais no futuro, a fim de garantir a segurança: as decisões do agente são primeiro enviadas para a interface homem-máquina para revisão, onde os operadores têm o direito de rejeitar ou ajustar dentro de uma determinada janela de tempo, antes de serem finalmente emitidas para o equipamento pela camada de execução. Isso reflete os requisitos de segurança do controle industrial em malha fechada. Além disso, a camada de execução também precisa lidar com assincronia e desempenho em tempo real: ações industriais podem ter atrasos e concorrência; por exemplo, controlar um lote de equipamentos requer coordenação síncrona. Nossa solução é combinar máquinas de estado em fluxos do Node-RED para gerenciar instruções de várias etapas de forma sequencial e simultânea, e usar os recursos de rastreamento de contexto do MCP para garantir que cada ação tenha uma resposta correspondente e não seja perdida. Adicionalmente, por meio de simulação, também verificamos a eficácia da camada de execução: ao fazer com que agentes inteligentes emitam comandos em um ambiente de gêmeo digital e observem as respostas dos equipamentos virtuais, otimizamos a lógica de execução antes de implantá-la na produção real. Essa tentativa com Agentes simulados reduz efetivamente os riscos de implementação. Em resumo, a camada de execução transforma as "discussões teóricas" da camada inteligente em "ação no mundo real", com seu protocolo unificado e motor de fluxo garantindo o comando e o agendamento consistentes das ações de vários equipamentos, e permitindo que os humanos vejam de forma transparente o que a IA está fazendo em cada etapa, aumentando a interpretabilidade e a controlabilidade do sistema.

05｜Cenários de Aplicação Real e Estudos de Caso

1. Simulador SUPCON NLDF (Fábrica Orientada por Linguagem Natural)

Simulador SUPCON NLDF: A "Stanford Town" dos Agentes Industriais – Um Simulador de Referência Industrial Aberto, Quantificável e Escalável

O Simulador SUPCON NLDF é um ambiente de simulação de fábrica discreta altamente configurável, implementado em SimPy. Ele não apenas simula problemas complexos de agendamento avançado e alocação de recursos do mundo real, mas também serve como uma plataforma de referência aberta para a tecnologia de Agentes explorar possibilidades de colaboração e evolução contínua no domínio industrial.

Neste mundo industrial digital, semelhante a uma "Stanford Town", construímos um ecossistema dinâmico composto por 3 linhas de produção, um armazém de matérias-primas e um armazém de produtos acabados. Cada linha de produção é meticulosamente equipada com estações de trabalho A, B e C e uma estação de inspeção de qualidade, todas conectadas de forma eficiente por esteiras inteligentes e uma rede de AGVs. Os jogadores (ou desenvolvedores de agentes inteligentes) precisam operar um total de 6 AGVs, coordenando a produção e otimizando processos enquanto respondem de forma flexível a várias falhas aleatórias e emergências, buscando a maior pontuação de KPI abrangente possível.

Filosofia de Design Central: Interface JSON Externa, Orientada por Linguagem Natural Interna, Alcançando Escalabilidade Infinita. A comunicação entre o ambiente de simulação e os Agentes dos jogadores ocorre por meio de mensagens JSON padronizadas. Exigimos que os jogadores construam capacidades robustas de processamento de linguagem natural dentro de seus Agentes, formando um completo JSON -> NL -> JSON ciclo de decisão. Isso não apenas permite que as máquinas entendam umas às outras, colaborem, se adaptem e tomem decisões autônomas por meio da linguagem, assim como os humanos, mas, mais criticamente, cria uma arena aberta, iterável e em crescimento para que jogadores e pesquisadores globais contribuam e se atualizem continuamente. O Simulador NLDF visa tornar-se um Benchmark de Inteligência Industrial Dinâmica, elevando constantemente as capacidades de tomada de decisão e coordenação de Agentes de IA industrial em ambientes complexos do mundo real a novos patamares, introduzindo novos desafios, cenários industriais mais sofisticados e mecanismos de avaliação avançados. Os jogadores podem otimizar continuamente seus Agentes, compartilhar estratégias e construir coletivamente um ecossistema de inteligência industrial em constante evolução.

Métricas de KPI e Sistema de Pontuação:

O sistema de pontuação utiliza uma escala de 100 pontos, com Eficiência de Produção (40 pontos), Custo de Qualidade (30 pontos) e Eficiência de AGV (30 pontos) contribuindo cada um com um peso correspondente. Isso torna o Simulador NLDF uma referência para avaliar quantitativamente as capacidades de tomada de decisão e coordenação de Agentes LLM em ambientes industriais complexos.

Disponibilizamos o código desta parte em código aberto e convidamos todos a visitar o repositório no GitHub (https://github.com/supcon-international/25-AdventureX-SUPCON-Hackathon) para experimentar pessoalmente esta "Roosevelt Town" no domínio industrial e sentir o grande mistério do mundo industrial.

2. Agente de Fábrica + Factorio: Prática Visualizada de Controle Inteligente

Factorio, como um "ambiente de simulação industrial controlado, porém complexo e fisicamente consistente", serve como nosso banco de testes ideal para pesquisas em controle inteligente de Agentes LLM. Ao introduzir Agentes LLM no Factorio, podemos "visualizar as decisões dos Agentes e seus resultados" em tempo real e experimentar várias estratégias de automação sem as restrições do hardware físico. O Agente de Fábrica "percebe, raciocina, age e aprende" neste ambiente, demonstrando as capacidades práticas de controle de agentes inteligentes.

Aqui estão três cenários de controle inteligente no Factorio e seus principais insights:

2.1 Cenário 1: Otimizando a Eficiência da Energia Solar

Objetivo: Maximizar a produção de energia por unidade de área dentro de um espaço limitado e garantir um fornecimento de energia estável 24 horas por dia, 7 dias por semana.

O Agente, por meio de raciocínio espacial iterativo e análise de feedback, descobriu autonomamente a proporção teoricamente ideal de 1,18:1 entre painéis solares e acumuladores. Seu processo de raciocínio incluiu uma análise inicial de "disponibilidade de espaço, posicionamento ineficiente de painéis e energia noturna insuficiente"; propondo a hipótese de "escassez de acumuladores e layout ruim"; e formulando a estratégia de "reorganizar o layout, testar proporções e monitorar a estabilidade". Este resultado está altamente alinhado com projetos humanos especializados alcançados após longos períodos de tentativa e erro, provando que Agentes LLM podem alcançar otimização de layout de nível industrial por meio de inteligência orientada pela linguagem.

2.2 Cenário 2: Operações Eficientes de Mineração de Cobre

Objetivo: Maximizar a coleta de minério de cobre por minuto dentro de uma área e orçamento de energia fixos.

O Agente não apenas aumentou o número de perfuratrizes, mas também reorganizou todo o layout de mineração por meio de raciocínio espacial, otimização de fluxo e gestão de energia. Seu processo de raciocínio baseou-se em observações iniciais de "layout de perfuratrizes desorganizado, correias de saída obstruídas e cobertura inconsistente de subestações"; propondo a hipótese de "otimizar o espaçamento das perfuratrizes, simplificar o roteamento das correias transportadoras e posicionar estrategicamente as subestações"; e formulando a estratégia de "layout em grade uniforme, correias de saída alinhadas e posicionamento escalonado das subestações". Ele alcançou um layout em grade uniforme para as perfuratrizes, roteamento centralizado das correias transportadoras de saída e posicionamento estratégico das subestações, aumentando a produção de minério em 52% e atingindo mais de 98% de tempo de atividade das perfuratrizes. Isso demonstra a capacidade do Agente LLM de reconstruir e otimizar processos industriais em múltiplas dimensões.

2.3 Cenário 3: Equilibrando Eficiência e Sustentabilidade

Objetivo: Manter uma alta produção mantendo os níveis de poluição abaixo de 500 ppm para evitar penalidades ambientais.

Neste cenário, o Agente demonstrou capacidade de raciocínio adaptativo para compensações. Ele não otimizou apenas uma métrica, mas equilibrou objetivos conflitantes de eficiência de produção e sustentabilidade ambiental. Seu processo de tomada de decisão envolveu observações do estado inicial de "alta produção, alta poluição"; baseou-se na hipótese de que "produção e poluição precisam ser equilibradas"; e formulou a estratégia de "ajustar combinações de módulos e alternar fontes de energia". Ao combinar módulos (módulos de eficiência + módulos de produtividade) e selecionar fontes de energia (solar + carvão como reserva), o Agente controlou com sucesso os níveis de poluição abaixo do limite, mantendo uma alta produção. Isso mostra que os Agentes LLM podem negociar e equilibrar múltiplos objetivos, fornecendo soluções viáveis e explicáveis.

Estes casos práticos no Factorio demonstram fortemente o poderoso potencial dos Agentes LLM para tomada de decisão autônoma, otimização de layout e compensações de múltiplos objetivos em cenários industriais complexos.

Também disponibilizamos o código relevante para o Factory Agent no Factorio como código aberto, e convidamos todos a visitar o repositório no GitHub (https://github.com/supcon-international/Factorio-Agent) para vivenciar pessoalmente este mundo industrial semelhante a um jogo.

3. Fábrica Inteligente Supcon Fuyang: Implementação de Agentes no Mundo Real

A Fábrica Inteligente Supcon Fuyang é um caso de implementação real da arquitetura de processo completo Sense-Think-Do (Sentir-Pensar-Agir). O Fórum Econômico Mundial aponta que Agentes de IA em tempo real podem aumentar a produtividade em 14% e reduzir a latência de decisão em 80% — uma transformação que está sendo concretizada na Fábrica Fuyang. Aqui, múltiplos Agentes de Fábrica foram implantados para aprimorar a capacidade de resposta operacional e o nível de inteligência da linha de produção.

• Agente 1: Agendamento Inteligente de AGVs. Este Agente agenda autonomamente os AGVs interpretando eventos de status de equipamentos em tempo real, alcançando um transporte de materiais inteligente e eficiente.
• Agente 2: Monitoramento e Otimização de OEE em Tempo Real. Este Agente monitora continuamente o desempenho do OEE (Eficácia Geral do Equipamento), identifica elos ineficientes e recomenda imediatamente planos de otimização, transformando dados brutos das máquinas em insights acionáveis, ajudando os engenheiros a responder mais rapidamente, melhorar o rendimento e reduzir a carga de trabalho manual.

As práticas na Fábrica Fuyang, incluindo conquistas como manutenção preditiva e gráficos de qualidade rastreáveis, demonstram plenamente como os Agentes de Fábrica podem tornar realidade a visão de operações inteligentes e orientadas por dados em um ambiente industrial real, servindo como modelo para a integração profunda de OT, TI e IA. Além disso, a fábrica está explorando o uso de aprendizado por reforço para ajustar parâmetros, aprimorando ainda mais as capacidades de otimização autoadaptativa da linha de produção.

A Fábrica Fuyang é uma fábrica automatizada em plena operação, e convidamos sinceramente amigos de todas as áreas para visitar e testemunhar a implementação e operação no mundo real destes milagres industriais.

Olhando para o Futuro

A fábrica já não é apenas uma "coleção de máquinas" que executa instruções.

É um "sistema vivo" com a capacidade de perceber, julgar e tomar decisões.

Estamos construindo o "cérebro + sistema nervoso" e as "mãos e pés" dos futuros sistemas industriais.

Imagine uma fábrica onde as máquinas não apenas preveem falhas, mas também respondem de forma autônoma. A inteligência artificial pode detectar o desgaste de um motor, verificar a disponibilidade de peças de reposição no ERP, gerar pedidos de compra e agendar a visita de técnicos para manutenção — tudo isso antes que qualquer falha ocorra. Essa transição do passivo para o proativo, aliada à automação impulsionada por IA, é a base da fábrica do futuro, permitindo que sistemas industriais operem com intervenção humana mínima e máxima eficiência.

Este é precisamente o valor da arquitetura de três camadas Sense-Think-Do que construímos e aprimoramos continuamente, abordando os pontos críticos da indústria atual. Não se trata apenas de um conceito teórico, mas de algo sustentado por uma série de produtos e casos práticos que já foram implementados e estão sendo explorados atualmente.

Alguns conteúdos foram desativados neste documento

‍