CrossnoKaye以AgentCore构建工业物理AI闭环

摘要：CrossnoKaye将ATLAS工业自动化平台与AURA智能体接入Amazon Bedrock AgentCore，使模型能够统一读取工厂拓扑、PLC控制逻辑、实时遥测和优化状态，并在隔离的microVM沙箱中执行可验证Python计算。系统采用边缘确定控制、云端智能分析、人工审批与硬件保护的分层安全架构，避免LLM直接控制设备。其亮点是把工业智能体从聊天问答推进到可审计的闭环诊断，但节电、产能和安全数据仍主要由厂商及客户案例披露。

---

从“外挂聊天机器人”转向工厂原生智能体

CrossnoKaye将ATLAS软件定义自动化平台与AURA智能体系统部署在AWS上，并使用Amazon Bedrock AgentCore提供隔离代码执行能力。核心变化不是简单给PLC接一个LLM，而是把工厂拓扑、控制逻辑、传感器数据、报警历史和优化状态纳入同一套可查询模型，使AURA能够沿着真实控制依赖追查故障。

据CrossnoKaye披露，其平台已覆盖100多个工业设施和13,000多台受控资产，累计保存22万亿个机器数据点，每日新增超过500亿条读数，并运行1000多个高级过程控制应用。客户案例报告称，相关APC应用使产能提高11%至17%，设施总能耗平均下降21%。这些数字来自实施方，尚缺少对照组定义、设施异质性校正及独立审计，不能直接外推到全部工业场景。

三层架构：边缘控制、云端优化与智能体推理

ATLAS的第一层是工厂软件模型。每座工厂部署带冗余计算、电源和网络设备的本地控制面板，在边缘Kubernetes集群运行基础控制叙事，包括设备状态机、运行序列、边界条件、联锁和报警规则。云端负责编写、验证和版本化这些规则，再将其下发到边缘执行。

边缘节点仅建立出站连接，不向工厂开放入站防火墙端口，高频遥测经Amazon VPC Lattice和Amazon MSK上传。即使云端连接中断，边缘集群仍可按已部署的确定性逻辑维持本地控制。这种设计把云端AI与工厂安全解耦：模型失联不应直接影响底层设备运行。

第二层是连续优化与高级过程控制。版本化Python包存放在Amazon S3，通过周期性或事件触发管道计算热流分布、设备健康指数、能耗强度和质量平衡偏差。优化层再结合物理模型、模型预测控制、强化学习、电价和天气预报生成设定值计划。Amazon SQS FIFO负责按设施排序计划和状态更新，边缘层则在批准范围内执行。

第三层是AURA。智能体以EKS微服务和Temporal持久工作流运行，通过统一数据网关读取上下游设备拓扑、控制叙事、联锁、物理I/O、合成读数、设定值变更、报警记录、优化计划和文档。统一上下文让AURA能够识别仅看时间戳无法解释的因果关系。

案例中，一座骨料工厂的二级和三级破碎机在单个班次内连续跳停。历史库中的时间顺序看起来像是三级设备故障触发了二级设备停机，但AURA同时读取输送带拓扑与联锁后发现，真正原因是三级破碎机下方的回转皮带打滑，触发三级设备过载联锁，随后上游安全联锁按设计停止二级设备。模型因此避免了追逐并不存在的破碎机故障。

AgentCore如何支撑可验证计算

LLM适合解释工程上下文和规划排查步骤，却不适合在上下文窗口内对数百万条传感器记录进行稳定计算。AURA没有要求模型直接“心算”，而是把数据集通过gRPC发送给Sandbox Orchestrator，再由AgentCore Runtime在隔离microVM中执行Python。

系统为每次运行设置多层数据契约：

1. 创建沙箱前校验输入，最多暂存50个数据集，并统一物理I/O、合成读数、设定值日志、报警历史及公用工程价格表。
2. 在模型生成脚本后追加确定性验证器，检查声明的输出表是否存在、是否为pandas.DataFrame，以及字段名和类型是否满足契约。
3. 验证通过后直接序列化Apache Parquet，避免解析自由格式stdout造成二次错误。
4. 若脚本异常或缺少字段，Temporal工作流将traceback和schema差异转成结构化重试提示，并在干净沙箱中重新计算。
5. Brief发布前，系统还会检查每条引用是否指向真实遥测窗口、设定值变更记录或沙箱输出。

这一设计将模型的职责限制为生成程序和解释结果，把数值正确性交给可执行代码、类型检查与引用链验证。不过，代码验证不等于物理结论天然正确：代码可能忠实计算了错误假设，数据缺失、传感器漂移和模型生成的统计口径仍需独立校验。

温会话与一次性沙箱的权衡

交互式Chats采用15分钟滑动TTL的温沙箱。工程师逐步加载94座设施的24小时报警、过滤传感器抖动并关联压缩机跳停时，内存中的DataFrame可以跨轮次保留，减少冷启动和数据重复装载。超时后系统透明创建替代会话。

Tasks与定时Routines则每次创建全新的一次性microVM，计算完成即调用StopCodeInterpreterSession。这种方式牺牲部分启动速度，换取可复现性、运行隔离和更低的闲置计费。工程上，这种分流比统一采用冷沙箱更合理：人类探索需要低延迟，批处理任务更看重确定性和状态清理。

代价仍不可忽视。温沙箱会锁定计算资源，15分钟TTL与真实空闲分布未必匹配；一次性microVM的冷启动、数据复制和销毁都会增加端到端延迟。系统未披露沙箱并发上限、50个数据集的典型容量、单次启动时间和实际运行成本，规模化部署前仍需压测。

四层工业安全边界

AURA的控制权限受到四层约束：

• Observe：Bedrock Guardrails检查提示与回答，RAG按组织隔离，Brief必须验证引用并披露数据缺口。
• Propose：AgentCore沙箱没有网络路由、工厂凭据或设备API；自动Routines严格只读，任何设定值变更都需要实名人工批准。
• Base Control：云端优化器不能直接驱动硬件，只能提交工程批准范围内的计划。边缘Kubernetes中的状态机、变化率限制、运行边界和联锁不可被云服务或AI绕过。
• Hardware Protection：安全继电器、本地跳闸以及机械泄压和超温装置构成最终物理保护层。

这是一种比“让LLM扮演操作员”更可靠的权限模型，但并不代表系统已满足功能安全认证。云端计划、边缘规则与硬件保护之间的一致性证明、网络分区场景、故障注入和网络安全标准合规仍需专门验证。

生产效果与部署建议

CrossnoKaye称，ATLAS与AURA组合使干燥批次耗时标准差下降34%，合格产量目标内完成比例增加6%，并在骨料业务中发现每年超过5万吨可恢复产量缺口。超过5000个AI智能体监控10000多项资产，原先需要数小时导出CSV、核对PLC梯形逻辑并制作表格的调查，可缩短至四分钟以内。

这些结果展示的是端到端流程价值，而不是单纯的LLM准确率。AURA减少了跨系统数据拼接工作，AgentCore承担确定性计算，边缘控制承担实时执行，人工则保留高风险变更批准权。评估类似方案时，应分别测量根因召回率、错误归因率、数据缺失覆盖率、引用可追溯率、端到端诊断时延、控制变更误放率，以及云边断连时的安全退化行为。

对于开发团队，可复用其关键模式：先统一工厂本体和控制逻辑，再引入智能体；通过RAG提供静态文档，通过确定性工具访问实时状态；所有数值结论都进入隔离执行环境；对输出执行schema和引用验证；最后用确定性控制层阻断模型的直接设备写权限。部署时应优先选择只读诊断场景，以影子模式运行后再开放人工审批的设定值建议，避免让模型直接跨过OT安全边界。

---

消息来源：AWS Machine Learning Blog (2026-11-09)

—— 完 ——

主题标签： #Amazon Bedrock AgentCore 关注 #工业智能体 关注 #物理AI 关注 #隔离代码执行 关注 #边缘控制 关注