《JOURNAL OF MANUFACTURING SYSTEMS》：Agentic active Asset Administration Shell for circular manufacturing
编辑推荐：
研究人员提出了一种动态主动式资产管理壳（Agentic Active Asset Administration Shell, A4S），该架构在一个神经符号（neural-symbolic）框架内统一了表示、集成和编排。A4S将AAS标准IEC 63278扩展
研究人员提出了一种动态主动式资产管理壳（Agentic Active Asset Administration Shell, A4S），该架构在一个神经符号（neural-symbolic）框架内统一了表示、集成和编排。A4S将AAS标准IEC 63278扩展为一个主动式的、由大语言模型（Large Language Model, LLM）支持的Type3 AAS，以用于循环制造（Circular Manufacturing, CM）。异构的车间接口被转化为AAS操作模式，这些模式将LLM的解码过程约束为有效的工具调用。一个基于LLM的多智能体系统（LLM-based Multi-Agent System, LMAS）支持跨组织的数字产品护照（Digital Product Passport, DPP）生成和企业内部的操作编排。
论文解读文章
**研究背景、问题与动机**
循环经济（Circular Economy, CE）的转型要求工业系统对产品、材料和信息流进行系统性重构。在制造业中，这一转型具体化为循环制造（Circular Manufacturing, CM），其核心是通过采纳减少资源消耗、延长资源生命周期和闭合资源循环的策略，重塑制造商的内外部活动。与线性制造不同，CM本质上是多生命周期的，产品、组件和材料需通过价值保留过程（Value-Retention Processes, VRPs）的层级（如直接重用、修复、翻新和再制造）在连续的使用阶段中循环。其中，再制造是流程最密集、价值最高的形式，它将报废（End-of-Life, EoL）产品在标准化工业环境下恢复至如新状态。实现CM需要在整个产品生命周期中，持续协调跨组织和技术异构参与者的物理、资金和信息流。
这一协调挑战可归结为两个相互交织且必须耦合运行的维度。第一是数据互操作性，即如何将跨多个生命周期、来自不同利益相关者（如制造商、翻新商、回收商、监管机构）的异构产品、过程、资源（Product, Process, Resource, PPR）数据，在组织边界内进行语义表示和交换。第二是操作编排，即如何将集成后的数据，驱动CM车间中自适应的闭环决策，其中EoL的变异性、状态的不确定性和动态扰动使得静态规划失效。最新的政策工具，如欧盟的《可持续产品生态设计法规》（Ecodesign for Sustainable Products Regulation, ESPR），强制要求数字产品护照（DPP）作为通过可互操作数字基础设施捕获和交换标准化生命周期数据的统一机制。DPP只有在能够有意义地集成来自不同参与者、格式和系统的异构生命周期数据时，才能发挥其促进循环的作用。因此，这两个维度共同构成了循环价值链协调和CM车间操作的必要先决条件。
在数据互操作性方面，现有研究主要利用领域知识、工业标准和既定惯例来定义语义表示，并通过“生成器”将异构源数据映射到预定义模式，或从非结构化产品及过程信息中进行基于学习的提取，最终生成DPP制品。在操作编排方面，挑战在于将这些表示转化为CM车间上因EoL质量、隐性退化和不可预测加工时间而充满变数的实时决策。现有研究趋向于使用强化学习（Reinforcement Learning, RL）进行动态调度和拆解规划，以及将LLM与概率框架和RL相结合，在线平衡中解释语义约束。然而，这两个循环在很大程度上是独立发展的。互操作性循环产生了形式丰富的表示，但并未协调应基于此知识行动的制造资源，导致生成的DPP成为被动记录而非操作制品。编排循环则通过RL和基于LLM的控制器生成可执行决策，但运行在解耦于上述语义层的、临时的、系统特定的接口之上，其决策既无法被标准化的生命周期知识所约束，也无法反馈回该知识体系。
为弥合这一鸿沟，研究人员提出了Agentic Active Asset Administration Shell (A4S)，在一个单一的可执行框架内统一了数据互操作性和操作编排。
**研究内容与结论**
研究人员提出了A4S架构，该架构在统一的神经符号（neural-symbolic）框架内，通过将AAS标准（IEC 63278）扩展为主动式、由LLM驱动的Type3 AAS，解决了CM中数据互操作性和操作编排的耦合问题。A4S通过图状递归编码和一套形式化的AAS工具集，将AAS标准与LMAS桥接起来，实现了“主动式AAS”或“Type3 AAS”的概念。具体而言，A4S提出了Agentic Operation Delegation (AOD)，将异构的车间服务接口抽象为标准化的AAS操作模式。在操作编排方面，A4S引入了神经符号融合方法，其中AOD模式通过模式约束解码（schema-constrained decoding）在数学上约束LLM的令牌生成，将智能体从无界通用执行器转变为确定性的工业编排器。在CM视角下，A4S作为一个统一的智能体神经符号互操作性架构，在一个框架内解决了两个关键的互操作性缺口：一是通过自动创建基于AAS的DPP，实现沿循环价值链的跨组织数据交换；二是实现车间内企业范围内的数据集成，以支持CM操作。
实验在一个动态模拟的电池再制造环境中进行，评估了A4S在车间操作编排（Exp-A）和跨组织DPP生成（Exp-B）两方面的性能。结果表明，A4S在所有模型规模的任务成功率上均显著优于基于扁平工具的现有方法。在复杂的多步骤编排任务中，A4S实现了超过95%的成功率，并使开源模型能够达到或超越大型专有模型，验证了神经符号约束在减少决策歧义和错误传播方面的有效性。同时，研究揭示了任务类型之间的明显区别：在编排场景中，A4S能有效确保鲁棒的执行，而在DPP生成任务中，性能主要受限于小模型（尤其是开源LLM）的语义完备性，而非执行正确性。
**主要关键技术方法**
本研究主要采用了以下关键技术方法：1）**AAS图构建与检索**：通过递归深度优先遍历将AAS实例解析为图结构，并结合神经符号检索，在检索时提供有界上下文块，为LLM提供结构化的语义信息。2）**AAS操作空间**：形式化定义了一套基于AAS的工具集（TA
A4S），包括图构建与检索、AAS操作、创建与填充以及AAS操作委托四大功能组，实现了对AAS实例的统一操作接口。3）**基于LLM的多智能体系统（LMAS）**：由编排器智能体（Orchestrator Agent, OA）和子智能体组成，通过AAS操作空间进行推理和工具调用，协调车间生产任务并生成DPP。智能体具有短期和长期记忆，并支持与现有资产智能体或动态生成的辅助子智能体进行交互。4）**AAS模式约束解码**：提出了一种基于AAS图的模式注入和动态重写方法，将AAS工具参数的约束（如枚举值）动态注入LLM的解码过程，生成令牌掩码，确保生成的工具调用在语法和语义上均有效，从而将LLM的生成空间限制在有效的AAS操作内。实验样本队列来源为模拟的电池再制造车间，包含13个PPR资产实例，以及从HARTING Technology Group等公开资源收集的PDF数据表用于DPP生成评估。
**研究结果**
**1. 系统架构**
通过架构图（Fig. 2）展示了A4S的组织结构，包括资产层（Asset Level）、集成层（Integration Level）和车间层（Shopfloor Level）。资产层包含异构的制造资源，集成层通过AAS实例提供统一的语义接口，车间层运行LMAS进行推理和操作。研究通过将异构资源抽象为AAS实例，并设计统一的AAS操作空间，实现了从资产到智能体的语义层解耦。
**2. 主动式AAS**
通过AAS图构建与检索，将AAS实例的层次结构转化为可被LLM消费的图结构。研究通过图状递归编码和神经符号检索，实现了对AAS元素的准确定位和上下文感知的检索。同时，形式化了AAS工具集，涵盖了从AAS发现、解析、属性读写到通过AAS操作委托调用异构服务接口的完整功能。AAS操作委托通过`invocationDelegation`限定符将AAS能力声明与底层原生服务解耦，实现了统一的执行接口。
**3. 基于LLM的多智能体系统**
LMAS由编排器智能体（OA）和若干子智能体组成。OA作为核心推理和协调实体，负责分解任务、调用工具或委托子智能体。子智能体包括预定义的资产智能体（直接绑定到物理资源）和动态生成的辅助子智能体。研究通过设计多智能体协调工具（如`agent_connect_remote`、`agent_spawn`、`agent_send`），实现了OA与子智能体之间的灵活交互，支持对现有资产智能体的远程连接和对新子智能体的动态创建与任务委托。
**4. AAS模式约束解码**
提出了AAS-grounded constrained decoding机制，将AAS工具参数分为三级约束：静态参数、清单派生参数和图作用域参数。通过动态注入枚举值并编译为上下文无关文法，在LLM解码时生成令牌位掩码，强制输出符合AAS模式约束。实验表明，该机制显著提升了工具调用的准确性和鲁棒性，尤其是在复杂多步骤任务中，有效减少了因LLM幻觉导致的错误。
**5. 案例研究实现**
以电池再制造为案例，在A4S框架内构建了模拟的再制造车间环境。研究展示了如何通过AAS创建流程将异构源数据转化为标准化的DPP实例，以及如何通过AAS操作委托实现车间服务的统一调用。案例中，A4S支持了从订单录入、拆解、测试、修复、组装到最终模块生成的完整端到端流程，涉及多个异构资源（如机器人拆解站、测试修复站、组装流水线、AGV、3D打印机和APS系统）的协同。
**6. 实验与评估**
实验在包含13个AAS实例的模拟环境中进行，评估了从原子信息检索（L1）到完整DPP生成（L4）四个复杂度级别的任务。结果表10显示，A4S在所有模型和任务复杂度上均优于扁平工具方法（FlatLMAS），尤其在复杂任务（L3）上，A4S-Qwen3.6–35B-A3B将OPR从79%提升至95%。消融研究（表13）进一步表明，AAS模式约束（M2）是关键贡献点，对Qwen3.5–9B模型，L3任务OPR从8.0%提升至38.0%。研究还分析了失败案例，如M0模式下LLM会产生虚构的标识符，而M2通过约束解码有效避免了此类错误。
**讨论与结论**
论文讨论了A4S在不同LLM上表现差异的原因，指出工具调用能力与模型有效参数规模及训练数据中包含结构化函数调用演示的比例相关。AAS模式约束解码的效果取决于模型对文法约束的接受程度。对于小模型，约束带来的收益巨大，而大模型如GPT-5.2本身已具备较强的工具调用能力，约束的边际收益较小。在DPP生成任务中，性能瓶颈主要在于语义抽象和模式级推理，而非执行正确性，这表明A4S在需要高语义抽象和模式对齐的任务上仍有局限。当前A4S设计严格在预定义AAS符号模式和工具边界内运行，缺乏超越模式的泛化能力，例如进行模式扩展或语义外推。这揭示了强模式约束在提高可靠性的同时，也可能限制在需要概念抽象或本体扩展场景下的灵活性。
**结论翻译**：本文提出了A4S，它在一个单一的神经符号框架内统一了可互操作的表示、数据集成和车间编排。通过将AAS标准从被动数据接口扩展为可执行的互操作层，A4S使LMAS能够直接操作结构化工业知识。所提出的图状AAS表示和有界工具集提供了一个形式化基础的行动空间，而AOD通过模式引导解码进一步约束了生成过程，将通用LLM转变为可靠的工业编排器。在动态模拟电池再制造环境中的实验评估表明，与基于扁平工具的方法相比，A4S在所有模型规模上显著提高了任务成功率。在复杂的多步编排任务中，A4S实现了超过95%的成功率，并使开源模型能够达到或超越大型专有模型，验证了神经符号约束在减少决策歧义和错误传播方面的有效性。同时，结果揭示了任务类型之间的明显区别。虽然A4S在编排场景中有效确保了鲁棒的执行，但DPP生成中的性能主要受限于小型开源LLM的语义完备性，而非执行正确性。这些发现凸显了该方法的优势和当前局限性。A4S成功弥合了结构化工业知识与可执行决策之间的鸿沟，为CM提供了鲁棒、符合标准的编排能力。然而，需要更高层次语义抽象和模式对齐的任务（如工业级DPP生成）即使在强结构约束下仍然具有挑战性。这表明未来的工作应侧重于增强A4S的机制，使其能够超越预定义模式进行语义推理，例如自适应模式扩展、本体对齐或混合神经符号验证层。
