(Практическое руководство по созданию системы с замкнутым контуром управления с использованием Node-RED, MQTT и LLM DeepSeek.)
Мы считаем, что следующее поколение промышленных систем будет не просто реагировать — оно будет думать, действовать и учиться.
Не просто извлекать справочные данные, как RAG, предлагать советы, как чат-бот, или пассивно отвечать на вопросы, а активно принимать решения и замыкать контуры управления, подобно эксперту-человеку.
Factory Agent — это наша попытка наметить такие перспективы:
Агентная система на базе LLM с функциями рассуждения, работающая в Node-RED, отслеживающая события в реальном времени через MQTT и принимающая решения для имитационной модели производственного предприятия.
Это экспериментальный проект с открытым исходным кодом, основанный на событийной архитектуре.
Не потому, что у нас есть все ответы, а потому, что эта область слишком захватывающая, чтобы ее не исследовать.
Почему промышленному ИИ нужны агенты для принятия решений
Промышленный мир полон данных. Но принятие решений — особенно на периферии — по-прежнему сильно зависит от человеческой интуиции и ручных правил.
Сегодняшние ИИ-приложения в промышленности часто остаются пассивными: они отвечают на вопросы, резюмируют документы или помогают с интерфейсами. Но лишь немногие из них действительно принимают решения, выполняют команды и несут ответственность за результаты в рамках замкнутого цикла.
Наш вопрос был прост:
Можно ли создать агентную систему, которая считывает события на заводе, анализирует возможные стратегии и выполняет действия — подобно младшему оператору, наделенному экспертной интуицией?
Чтобы изучить это, мы начали с минимально жизнеспособной системы — и теперь выкладываем её в открытый доступ, чтобы пригласить сообщество к её развитию, доработке и проверке на прочность.
Создание системы управления с обратной связью
В классической теории управления контроллер с обратной связью непрерывно отслеживает выходные данные и возвращает информацию в систему для корректировки её работы, что позволяет осуществлять саморегуляцию даже в меняющихся условиях (например, ПИД-регуляторы в управлении технологическими процессами).
Мы переносим эту парадигму в мир LLM-агентов.
Теперь цикл функционирует на пяти основных уровнях:
Уровень восприятия
- Подключается к источникам данных заводских систем OT/IT.
- Использует единое пространство имен (UNS) на базе MQTT для организации данных в реальном времени в семантически значимые темы.
- Каждый агент «воспринимает» заводскую среду через выбранные темы MQTT.
Уровень рассуждения и принятия решений (уровень агентов)
- Каждый агент — это независимая единица на базе LLM.
- Обладает собственными промптами, целями и (в будущем) модулями памяти.
- Каждый агент — это независимая LLM со своими промптами и памятью. Он анализирует, планирует и инициирует действия при необходимости.
Уровень диспетчеризации действий
- Выходные данные агента преобразуются в структурированные команды JSON.
- Они публикуются через MQTT в темы управления.
- Каждая команда адресована соответствующему компоненту системы (например, станку, нагревателю, планировщику).
Уровень исполнения (среда/производство)
- Производственная площадка (реальная или симулированная) выполняет действия.
- Полученные изменения публикуются обратно в MQTT, замыкая контур обратной связи.
Уровень обратной связи и обучения
- Отслеживает результаты действий.
- Подготавливает механизмы для будущего обучения: обновление рабочей памяти, оценка действий, отслеживание стратегий.
Это формирует полноценную реализацию классического цикла «наблюдение–планирование–действие–наблюдение» на базе LLM, теперь расширенную для поддержки распределенных, развивающихся агентов.
Практическое руководство
Обзор архитектуры
Система объединяет четыре ключевых компонента:
- Node-RED — Оркестрация потоков сообщений между агентами, топиками и системами исполнения в реальном времени.
- MQTT-брокер — Легковесная событийная магистраль, обеспечивающая структуру единого пространства имен (UNS).
- Узлы агентов фабрики — Специализированные узлы Node-RED, управляющие восприятием (ввод состояния), промптами для рассуждений и генерацией действий LLM.
- LLM (например, DeepSeek, Gemini) — Выполняют рассуждения, планирование и принятие решений в реальном времени на основе наблюдаемого контекста.
Каждый экземпляр LLM получает структурированные состояния из топиков MQTT, анализирует возможные стратегии и выдает управляющие инструкции, которые направляются обратно через MQTT.
Каждая управляющая инструкция публикуется в формате «топик-полезная нагрузка». Например:
Попробуйте сами: агент фабрики и симуляция виртуального производства
Мы сделали доступными как модули агента фабрики и симуляция виртуального завода полностью открытый исходный код, позволяющий каждому изучать и создавать интеллектуальные системы управления с обратной связью.
С помощью виртуального завода вы можете:
- Развернуть симулированную производственную среду, которая публикует реалистичные MQTT-топики в режиме реального времени.
- Эмулировать сбои, ресурсные ограничения, динамику производства и многое другое.
- Безопасно и итеративно тестировать конфигурации, стратегии и логику принятия решений вашего Factory Agent.
Подключая узлы Factory Agent, вы можете:
- Отслеживать события завода в режиме реального времени.
- Анализировать операционные стратегии с помощью LLM.
- Действовать, отправляя управляющие инструкции обратно в систему завода — замыкая цикл «наблюдение-планирование-действие-наблюдение».
📂 Изучите исходный код и руководство по быстрому старту:
Что дальше: память, мультиагентные системы и будущее «мыслящих» заводов
Это только начало. Следующие шаги направлены на улучшение как архитектуры, так и внутренних компонентов:
- От планирования одним агентом к сотрудничеству нескольких агентов
- Поддержка большего количества LLM, позволяющая легко интегрировать будущие модели
- Доступ агентов к инструментам
- Подключение агентов к численным решателям, моделям машинного обучения и внешним API
- Улучшенная симуляция виртуального завода для создания более богатых и разнообразных сценариев тестирования
- Интеграция памяти
- Рабочая память (управление контекстным окном)
- Эпизодическая память (история решений)
- Процедурная память (повторно используемые стратегии)
- Семантическая память (общие знания)
- Улучшения контура обратной связи
- Оценка действий, итерации с учетом обратной связи
Мы создаем не просто продукт, а исследовательскую площадку для переосмысления того, как заводы могут рассуждать, адаптироваться и взаимодействовать.
Давайте строить мыслящие заводы вместе.