工业机械产生的报警数量超出了技术人员的分诊能力。对于每个需要跟进的重要报警，技术人员要调取历史背景、确定正确的处理流程、核查是否有专项信号能确认故障模式，并写出处理建议。这一过程保持一致，非常适合交给 AI 智能体。
本文介绍一个基于 NVIDIA NeMo 库构建的逐条报警分析 AI 智能体，它以 NVIDIA Nemotron 开放模型提供智能，并运行在 NVIDIA OpenShell 安全运行时之上。给定一条报警及其传感器数据帧，该智能体会：
- 收集上下文（历史记录、处理手册、相似的历史案例）
- 运行专项检查（例如使用 NVIDIA nv-tesseract 计算异常检测指标，使用 NeMo Retriever 对扫描版处理手册进行 OCR）
- 输出结构化的证据包：观察结果、根因假设、补救措施、建议操作
该智能体全程由 GPU 加速，并置于单个 HTTP 端点之后。上游的任何环节（流内过滤器、操作员界面中的点击按钮）都以相同方式调用它。工具与大脑同样重要。
为什么工业和基础设施领域的逐条报警处理很有挑战性？
从汽车、火车到电梯和工业电机，机器的联网程度越来越高。随着这种互联，维修人员和工程团队在排查问题、了解机器运行状况时面临的可用数据越来越多。
与此同时，技术人员还需要对 SCADA 或 IoT 系统源源不断推送过来的信息进行过滤和评估，才能找出真正重要的信号。通常每小时有数百条报警、需要考量成千上万个传感器读数，还有各种不同格式的文档说明每种情况该怎么处理。
例如，报警触发时，技术人员往往必须翻查多个数据源、工具和文档，才能回答以下问题：
- 这台设备或这一类设备以前触发过这个报警吗？当时采取了什么措施？是什么修好了它？
- 针对这个错误代码、这座工厂和这个位置，具体的处理手册是怎么规定的？
- 这个信号是真的吗？对于提示高温的通用报警，它是异常还是趋势的一部分？是否正在进行维护操作？
想清楚这些问题之后，技术人员还必须写出处理建议（通常是工单），以便他人据此行动并从中学习。
总的来说，这是一项耗费精力的工作，需要广泛的经验，以及与许多不同系统交互的能力。因此，一个能处理通用步骤的助手可以大幅加快这一过程。过滤相关信号、收集相关知识、起草可复用的建议，能腾出时间，让人专注于更复杂的问题，更快地处理其他待办事件。
AI 分析智能体如何帮助解决这些挑战？
当有人请求某条报警的上下文时，AI 分析智能体会连接不同系统来收集知识，必要时调用专项工具做更深入的分析，最终起草出一份有效的操作建议。整个智能体运行在沙箱内（图 1）。
该智能体的任务很容易表述和界定：
- 输入：一条报警负载，附带其传感器数据帧和设备元数据
- 输出：一份证据包（观察结果、根因假设、补救措施、建议操作）以及相应的支撑轨迹
- 延迟预算：以秒计，而非以分钟计；操作员正等着这一行变绿，因此每一步都要尽可能快
要完成这项任务，智能体需要：
- 关于该做什么的指令（图 1 中标注为 1）
- 智能或推理能力，由 NVIDIA Nemotron 开放模型提供（图 1 中标注为 2）
- 用于与其他系统交互的编排工具（图 1 中标注为 3-5）
指令由一批报警与一段阐明智能体目标的提示词组合而成，发送给 Nemotron。Nemotron 是一个开放权重、训练数据和训练配方的开放模型家族，为构建专用 AI 智能体提供领先的效率和准确性。具体而言，该助手使用 Nemotron 3 Nano 处理简单的编排任务，使用 Nemotron 3 Super 处理复杂推理。这些模型以优化后的 NIM 容器形式部署在靠近产线的位置以实现低延迟推理，也可以部署在云端。
按照模型的指示，智能体逐步推进目标：检索信息、评估相关性，并使用不同工具进行过滤和分析。为满足用户的延迟预算，每一步都必须尽可能快地完成。
智能体使用哪些工具，又是如何加速的？
智能体主要需要在广泛的上下文中迭代地汇总信息并进行推理。因此，对任何一条报警，它自然分为三个子阶段：收集证据（图 1 中标注为 3）、运行专项检查（图 1 中标注为 4），然后生成并验证操作建议（图 1 中标注为 5）。每一步所用的工具都通过 GPU 加速，使用的是 CUDA-X 库或 Nemotron 家族中的其他专用模型。
结构化信息的加速检索
默认情况下，智能体通过配置带有合适时间区间和相关传感器过滤条件的 SQL 查询，来检索可能相关的报警和传感器读数。这些查询通常针对清洗后的近期报警和传感器数据帧入站流运行。为了快速响应，这些数据帧使用 NVIDIA cuDF 进行聚合和解析，cuDF 是一个在 GPU 上加速数据处理和过滤的库。
如果需要历史信息或更广泛的信息，智能体可以使用其 Text-2-SQL 工具从更大的数据仓库中检索。借助 Apache Vanna 管理可用数据表的上下文，并由 Nemotron 模型把问题转换为查询。例如：“过去几个月里，某个序列号段的设备上哪些报警类型最为常见？”同样的方法也可用于处理有关设备层级和传感器拓扑的复杂前置问题，即父/子部件关系，这类关系通常用于过滤。
使用 NVIDIA NeMo Retriever 加速 RAG
解决报警所需的大量相关信息隐藏在非结构化数据中，例如操作手册、特定场所的处理手册、工单模板和操作员流程说明。NVIDIA NeMo Retriever 可加速相关信息的筛选。它编排 Nemotron Parse 或 Nemotron RAG 等专用模型，以加速复杂信息的提取和索引。更多详情请参阅 NVIDIA 检索增强生成 AI 蓝图。
迭代构建解决方案知识
最后，对智能体至关重要的上下文是它自己的半结构化数据记忆，尤其是过去的补救工单和解决策略。对这些数据的搜索借助 cuVS 加速。这使智能体能够从过去中学习，例如回答这样的问题：“以前见过这种特征吗？当时的修复有效吗？”
专项分析
通用报警（例如“温度过高”或“振动尖峰”）往往需要专家在特定情境下加以确认：轴承真的在失效，还是只是传感器伪影？为此，会在智能体旁部署特定领域的专项工具或子智能体。
例如，在检索到结构化的传感器时间序列之后，智能体可能需要调用一个分析智能体，对数据进行采样或傅里叶变换、做预测，或使用 NVIDIA cuFFT、NV-Tessaract 或 NVIDIA cuML 等合适的库过滤离群值。
操作建议的生成与验证
信息收集和专项分析完成后，Nemotron 模型会迭代地把收集到的证据综合为一条结构化记录，包含观察结果、根因假设、补救措施和建议操作。之后，智能体会根据策略与置信度关卡检验输出，并使用 Nemotron 3 Content Safety 对其进行安全审查。高置信度且符合策略的会获得自动派发标记；低置信度或不符合策略的则升级交给技术人员，并预先附上证据。
Nemotron 模型提供智能体的智能
Nemotron 模型在智能体的多个环节提供智能：充当推理大脑，在 NeMo Retriever 中负责文档解析，并为搜索提供高质量的嵌入。直接使用现成的检查点即可获得良好的开箱效果，几分钟内就能完成部署。
使用开放模型的另一个优势是可以轻松地针对你的任务进行调优。例如，按照配方让 Nemotron 嵌入模型针对你的处理手册内容和技术领域进行微调，能让它更可靠地检索出好的结果。在更高级的场景中，微调会让推理模型在你的报警上下文中使用的特定语言、行业领域和描述方式上推理得更加有效。
这种可以将模型部署在任何地方（只要有合适的 GPU）、并能针对智能体的上下文精确调优的能力，使 Nemotron 模型成为该智能体的关键组件。
该分析智能体取得了怎样的成果？
这里介绍的分析智能体加快了为用户提供报警证据的每一个步骤。这使得从用户界面（通常是第三方应用）针对某条报警调用该智能体并在相应时间内得到答案成为可能。为了让既定配置发挥出更高性能，还可以自动把成批的关键事件发送给智能体进行预分析。这样既利用了现有算力，又进一步减少了人原本需要查看或分析的报警数量。
为什么编排、安全和智能体演进很重要？
把智能体与其工具和大脑结合在一起的是编排（提示词组装、工具调度、重试、追踪）。此外，智能体还应当学习和改进。按设计，它会随着“过往补救”知识库的增长而变得更智能。然而，即便这些信息不断增加，智能体偶尔也会选错工具（或选对了工具却传入了错误的参数）。
为简化这些工作，你可以使用 NVIDIA NeMo Agent Toolkit，它是 NVIDIA NeMo 的一部分。它有助于把智能体暴露为单个端点，生成可用 NeMo Evaluator 评估的追踪记录，并处理许多让智能体达到生产就绪的琐碎细节。
对于像这个智能体一样经常处理敏感数据或能访问生产相关系统的企业级部署，安全至关重要。尤其需要控制智能体可以执行哪些操作、调用哪些模型、使用哪些工具。因此，对任何智能体而言，建立沙箱都是合理的。NVIDIA OpenShell 是面向自主 AI 智能体的安全运行时，提供沙箱化的执行环境来保护你的数据、凭据和基础设施，并由声明式 YAML 策略管控，防止未经授权的文件访问、数据外泄和不受控的网络活动。
开始构建分析智能体
如果你大规模运营机械设备，那么逐条报警的技术人员工作正是这项任务中适合智能体的部分。本文描述的流程就是 NVIDIA 技术栈为此搭建的方案：一个由 Nemotron 驱动的智能体，配合 OpenShell 安全运行时以及 GPU 加速的上下文与专项工具，并以单个 HTTP 端点的形式暴露，供你现有的报警管理界面或流水线调用。
你可以用 NVIDIA Agent Toolkit 的构建模块来搭建这套方案：
- 面向智能体的 NVIDIA AI-Q 蓝图：一套参考技术栈，使用与上文所述相同的工具链来连接、检索企业数据并对其进行推理。建议从这里入手。
- NVIDIA NeMo Agent Toolkit：位于编排层之下的库。你可以用它编写智能体的工具、追踪其调用，并把它暴露为 HTTP 端点。
- NVIDIA OpenShell：智能体的运行时，适用于任何希望对工具调用设置关卡并获得可回放追踪记录的部署。
- NVIDIA Nemotron：智能所在。在 build.nvidia.com 上注册即可免费获得开发者访问权限，并下载优化后的 NIM 容器，或使用 Hugging Face 上的检查点合集。
- NVIDIA NeMo Retriever：一个把企业文档转化为结构化知识层的库，专用智能体可以在其上进行推理，基于你独有的企业数据，给出有依据、准确且快速的答案。
- NVIDIA CUDA-X 库（cuDF、cuVS、cuGraph）：负责归档、向量和图工具。
- NVIDIA NeMo Evaluator：对照基准真值对工具使用和答案质量打分；第一天就把它接入 NeMo Agent Toolkit 的追踪日志。
准备好开始构建自己的智能体了吗？请按以下步骤操作：
- 智能体的关键组件需要 GPU 才能运行。如果你手头没有，可以先使用托管的 Nemotron 模型 NVIDIA NIM 开发者端点，以后再切换到自己的环境。
- 克隆 NVIDIA AI-Q 蓝图，并针对合成的报警流把它搭起来。
- 先把它接入技术人员现有的工具，只有在不得已时才构建新的界面。
- 就适合你场所的部署形态咨询你的 NVIDIA 客户经理。初创公司可以申请 NVIDIA Inception 以获得额度和支持。
随着经由它处理的报警越来越多，该智能体是系统中成本和性能会不断改进的部分。