Skill, 从 PPT 走向工厂
Anthropic 的 Barry Zhang 说，别再造一堆 Agent，要做一个通用 agent，加一套可复用的 skills。
我很认同。
真走进工厂你会发现，工业里的 skill 并不优雅。它不在代码里，也不在数据表里。它在染缸、污水处理池、纱线仓库、汽车售后门店，也在锂电池电芯报废检测流水线上。它是师傅们每天在做的决策。
本文，我想从一线出发，拆开一个更具体的问题：一条决策，到底是怎么发生的；如果要让 Agent 接管它，这条决策又需要被表达成什么样。
再往下走，你会看到决策型智能体和工业统计学习的根本分野，也会走到一个更底层的东西：工业决策的最小可计算单元。
我把这套结构，暂时叫做：Agentbase。
一、一个看起来正确、却会把智能体的工业落地带偏的方向
前些天，我在苏南浙北的一些纺织厂的实验室里，第一次真正把一件事情看清楚了。
很多人谈工业 AI，默认的路径都很像：把历史数据堆起来，或做大量组合实验，把输入和输出连起来，训练一个模型，最后让系统根据各种行业数据、工艺参数，更快、更准地自动生成工艺方案。
问题是，听上去合理，不等于方向对。
这套思路在工程上完全说得通，甚至短期内很可能有效。它有一个明显的优点：立刻就能开始做，立刻就能出数据，立刻感觉“AI 落地这个事情，动起来了”。
这也是为什么今天很多工业 AI 项目天然会滑向这条路，因为它最符合传统工程团队的直觉，最容易立项，最容易汇报，也最容易在前期制造一种“我们在前进”的感觉。
但我越往里看，越觉得这条路的问题非常大。
这条“主流路线”，本质上是在做一件事：让“结果变成数据”，再让模型根据这些结果去逼近一个函数。
给模型看足够多的样本，让它学会在什么输入下会出现什么输出。比如，面料是什么，染料是什么，温度是多少，时间多长，最后色差是多少，牢度怎样，达不达标。历史样本越多，模型越容易在新样本上给出一个“最可能正确”的推荐。
这条路并不荒谬。某纺织行业巨头的成果很典型：他们基于 1.6TB、约 19.4 亿条历史生产数据做工艺参数智能配比，在特定品种布料上，模型对颜色偏差的预测准确率已经达到 95% 左右，而且能在不到两小时处理一万块面料的数据并生成工艺方案——这可是过去三名老师傅带徒弟分析约需一周时间才能干完的事啊！
这当然有价值，而且在一个高度标准化、数据量巨大的大厂场景里，这条路很可能还能持续有效。
我掰开分三层来讲，问题出在第二层。
第一，它强依赖海量历史数据。不是几十条、几百条，而是接近工业级数据库规模的数据沉淀。很多中型工厂根本没有这样的历史资产，就算有，也往往是碎的、脏的、断裂的。
第二，它高度依赖场景封闭。你今天在某个特定布种、特定颜色、特定工艺窗口里做到了 95%，并不意味着你换一类布、换一类染料批次、换一套设备、换一个季节后它还能保持同样的效果。历史拟合最怕的从来不是“旧问题做不好”，而是“新问题看起来很像，其实不一样”。
第三，它很难给你真正的外推能力。这里“外推能力弱”有非常具体的结构原因。因为它学的是点和点之间的关系，而工业世界真正变化的，往往不是点，而是方向。
如果你手里是一堆历史点，比如：
配方 A 对应结果 X；
配方 B 对应结果 Y；
配方 C 对应结果 Z；
那模型可以学到一种逼近关系，像是在一张非常复杂的曲面上插值。可一旦你进入一个没有被采样过的区域，它最自然的动作仍然是“寻找最近邻”和“延续局部统计规律”。它能得出答案，但它不一定知道自己为什么给这个答案，也不一定知道一旦错了，该往哪个方向改。
所以这条路的天花板，其实在一开始就被它自己的学习方式写死了：它更像一种工业版 AutoML、BI 加统计优化。它可以提效，可以降本，可以让一个已经非常成熟的工厂再抠出一些利润，但它天然更容易产生 incremental improvement，而不是 disruption。
它会让旧系统更聪明，却不一定会让行业换一种玩法。
如果一个产品能把今天的流程做快 20%、省下 10% 的人工、减少一部分试错，那当然有价值。
但如果你站在一个利润已经被上下游挤压得很薄的行业里，比如今天中国大量纺织印染企业面对的环境，那还不够。国内很多布料卖十几元一米，染费一块多、一块八一米还被嫌贵，而日本体系里类似服务可以做到八元一米甚至更高，这背后不是大家有没有努力，而是整个行业的创新方式和利润结构根本不在一个层级上。
在效率上的一点统计优化，最多转化为“价格战”中节省一点边际成本，但很难形成真正的 10x disruption。
可如果你能改变企业“怎么做决策”的方式，带来更快的收敛、更低的试错、更高的可迁移性，甚至创造出客户原来没有想到的布料—颜色—工艺组合，那才开始触碰到创新的上限。
硅谷有一句老话，一个新产品如果不能带来 10 倍效率或者 10 倍成本优势，它很难成为真正构成 disruption 的创新。
工业统计学习，即便有大量 AI，大多数时候带来的，是 1.2 倍、1.5 倍、也许在局部是 2 倍。
它也许能让你喘一口气，但它天然不太像一个改写行业结构的起点。
问题来了。如果工业统计学习不够，那老师傅做的是什么？
很多人会下意识回答：老师傅做的，不也是经验积累吗？无非是他脑子里做了很多次试验，记住了哪些配方有效，哪些不行。说到底，不还是一种隐式的统计学习？
这个问题我一开始也非常在意，因为如果答案真的是“老师傅只是一种事件统计模型”，那我们现在试图拆解判断结构这件事，可能从根上就是错的。
但越讨论越发现，事情不是这样。
假设全世界第一个印染厂刚成立，确实没有老师傅，也没有经验，唯一有的是化学和实验室条件。那最初那一批人能做的事情，只能是 brute-force：试，记，换，再试。这一步，本质上和前面提到的工业统计的大量实验，没有太大区别。它是世界的第一层采样，它很笨，但必要。
真正的分水岭不在第一层采样，而在第二步。
老师傅不是一直这样穷举下去。他不会把所有配方点都记在脑子里，他开始做的，是压缩世界。
试了足够多次之后，老师傅脑子里逐渐出现的，不再是“配方 A 对应结果 X，配方 B 对应结果 Y”这种表格式记忆，而是方向性规则。
注意，这些不是数据点，这是向量，是方向，是“下一步往哪走”的低维压缩。老师傅不是记住了所有答案，而是学会了怎样在复杂空间里沿着某个方向逼近答案。
统计学习在逼近函数，人类决策在构建梯度：这是两条完全不同的学习路径。
前者在问：给定这个输入，最可能的输出是什么。后者在问：我现在离目标偏在哪里，下一步该往哪个方向走。
这也是为什么工业经验真正值钱的，不是“见过很多样本”这件事本身，而是见过足够多样本之后，能不能压缩出几条可操作的决策路径。
你可能会问，AI 不也是统计学习吗？
是的，但不一样。Transformer 是什么？从底层讲：
但关键区别在这里：它学的不是“点”，而是“结构之间的关系”。
如果你只给AI：
它只能：拟合函数（工业统计路径）
但如果你给AI：
它可以在新情况里“推一步”。
让我们继续把这件事想清楚！
工业统计的方法，本质上是在收集点。配方和结果是一组点，再多的实验也是更多的点。点越来越多，曲面越来越密，你可能可以在一个局部区域里把答案逼得很准。
我想做的事情不是多收点，而是把点之间的移动方式找出来。
当一个老师傅说“有点偏红，压一点蓝试试”时，他并没有给出一个终局答案，但他给出了比答案更值钱的东西：路径。
“为什么是加蓝，不是加绿，不是加浓度”则是决策本身。一旦这个过程被记录下来，工业经验就第一次从“神秘的老师傅感觉”变成了可分析、可复盘、可比较的对象。
这一步的意义非常大，因为它把工业世界里最值钱的东西，从“人脑里的模糊判断”变成了“机器可以理解的结构”。
你得到的，不再是一张张分散的配方表，而是一条条判断链。你会第一次看到：
结果是什么；
人是怎么判断偏差的；
下一步为什么这么改；
改完后结果怎么变；
如果还不对，为什么继续这样走。
这时候你真正积累的，就不只是实验结果，而是工业决策的可计算表达方式。
说到这里，很多人会问一句：听起来很对，但这到底怎么表达？
我的答案很简单，也可能非常反直觉。
工业决策一开始并不是一个模型，也不是一个系统。它先是一条被完整讲清楚的真实决策链。
例如，一次打样可以被还原成这样：
目标是黑色尼龙。
初始配方是什么。
第一次结果偏红。
为什么判断它偏红。
下一步为什么决定加蓝。
加了多少。
第二次结果偏浅。
为什么判断偏浅。
下一步为什么决定提浓度。
第三次接近目标。
最后是否达标。
如果你只能看到“初始配方”和“最终结果”，你手里只有一条结果记录。但如果你能把中间每一轮“结果—判断—动作”连起来，你手里第一次出现了工业决策链。
这时候真正有趣的东西才开始出现！
老师傅说，“有点红，加点蓝，再试试。”
对人类来说，这句话已经够用了。
对机器来说，这句话还完全不可计算。
所以必须有一步压缩。不是压缩数据量，而是压缩表达方式。
“有点红”要被转成一种状态。
“加点蓝”要被转成一种动作。
中间那句没说出来的“为什么”要被逼出来，变成判断。
最后你得到的，不再是一句经验，而是一个最小判断单元：
状态：偏红。
判断：红分量高于目标。
动作：增加蓝染料 0.2。
状态：偏浅。
判断：浓度不足。
动作：整体浓度提升 10%。
这一个 step，比一整张复杂的数据表更接近工业决策的核心。因为机器真正能吃的，不是长篇故事，也不是“老师傅语气”，而是这种状态—判断—动作的原子结构。
这就是工业决策的最小可计算单元：它是一个可以被复用、比较、串联、加速的决策原子。
有了最小判断单元之后，事情才开始真正往前走。一个 step 解决的是一个局部判断。一条完整打样过程，是多个 step 串起来的决策链。
当你积累了十条、二十条这样的链，稳定 pattern 开始出现，你才有机会把它们抽象成 skill。
这里的 skill 不是今天很多人理解的“一个 prompt 模板”或者“一个 agent 工具调用”。真正的 industrial skill，更接近一组可复用的判断规则，加上一套上下文边界。
它包含历史案例链，
包含被压缩后的判断单元，
包含评价标准，
也包含你对边界条件的理解。
现在这个阶段，它最简单的形态甚至不是什么“系统”，而就是简单的“上下文”：你把若干条结构化决策链给到模型，再给它一个新任务，模型开始具备的，是一种你可能从未见过的能力 —— 沿着已知判断方向再推一步”！
这里一定要强调一个我自己也想了很久才彻底想清楚的点：决策智能体的目标，从来都不是“一次命中”。
如果你把目标理解成“客户给出目标布料和颜色，AI 一次给出配方，一次染成功”，那你其实又走回了工业统计那条路——那是 function fitting 的终极梦想，不是 decision modeling 的现实目标。
决策智能体真正要做的，
❌不是一次命中
✅是更快收敛
老师傅可能需要五到八轮才能接近目标。你如果把决策链拆出来，把判断模式喂给 AI，它不一定一次成功，但它有机会让五到八轮缩成两到三轮，而且每一次错误都不是瞎错，而是带着方向感的错。它错了，你知道它为什么错；你改一轮，它更接近答案；下一次类似问题来，它不从零开始。
这就是为什么这条路比统计学习慢，但也更深。
统计学习快，是因为它直接开始试；决策建模慢，是因为它先停下来定义问题，搭坐标系，把模糊判断逼出来。所有后面很快的系统，前面都必须很慢。
你如果去做这一步，如果一周之内就很顺、数据很多、模型立刻有结果，反而说明你走偏了。真正走在这条路上的信号，往往是老师傅开始犹豫，开始回忆，开始说不清，甚至前后矛盾。那恰恰说明你触碰到了真实判断结构。
如果只是为了做一个更聪明的工艺推荐系统，这整件事其实不值得做得这么慢、这么难、这么反直觉。
真正的理由在于：这条路有可能带来的，不只是效率提升，而是创新方式的改变。
今天大量纺织企业卷在价格战里，本质是因为它们提供的是一种标准化、可替代、低附加值的能力。客户给需求，工厂去匹配，谁更便宜，谁效率稍高一点，谁就活得更久一点。
工程统计可以让这个匹配过程更快、更稳，但它仍然停留在“匹配已知需求”这个层面。
决策智能体一旦成熟，潜力会开始出现在另一个方向：它不只是在猜“客户这次要什么”，而是在路径空间里尝试“还有什么可能被做出来”。
这就是为什么我一直把这条路看得比一般的工业 AI 更大。因为它不只是在帮工厂节省几轮打样，它有机会把“组合搜索”和“决策推演”带入设计和研发本身。历史案例、判断链条、约束条件一旦形成结构，AI 就可以在这些结构上做扩展、权重判断和路径组合，去尝试那些过去老师傅未必有时间、也未必愿意冒险去试的方向。
这件事如果真跑起来，纺织印染企业面对客户时提供的，就不再只是“你想要什么，我尽力 match”，而可能变成“在你给的方向上，我还能给你几个更优、更新、甚至你没有想到的方案”。这是真正可能让低毛利行业跳出价格战的地方。
所以我才会说，工程统计带来的大多是 incremental improvement，而决策智能体才可能触碰 disruption。因为前者优化的是旧世界的效率，后者打开的是新世界的搜索空间。
工业 AI 接下来最有意思的地方，并不只是“大模型进入工厂”这么简单。
真的重要性在于：工业经验第一次开始被 skill 化，第一次开始被拆成判断链，第一次开始以可计算结构的形式被机器（AI）参与。工业世界里大量过去只能靠师傅传帮带、只能靠人熬年头、只能靠“感觉差不多”的能力，就有可能开始转化成新的生产资料。
到那时，我们谈的就是一种新的工业语言。一种可以描述“看到什么、怎么判断、为什么这么做、做完结果如何”的语言。
机器学会了这门语言，工业决策才会真正开始进入 AI 时代。
而在那之前，无论屏幕多大、模型多强、数据多多，很多系统都还只是停留在“结果学习”的阶段。
所以说，把判断第一次变成可计算的东西，才是把工业世界里最值钱、也最难说清楚的那部分。
跑通了，纺织只是开始。
它后面接的，不会只是一家印染厂，也不会只是一种行业应用。它接的是整个工业世界里，那些今天还活在人脑里、但迟早会变成新基础设施的能力。
这就是决策型智能体，工业决策的最小可计算单元。
P.S.
如果你手上有一个高频但高成本的判断任务（每天在发生，但必须靠人拍板），我现在只做一件事：选真实场景，用几周时间，把这条判断链完整拆出来并跑通。目前只挑少量场景一起做。感兴趣可以直接联系我。
粤ICP备14082021号
免费POC，
零成本试错
