从自然语言到工业产线执行：清华AssemPlanner 如何打通柔性装配的工业任务规划闭环

文章信息

• 标题：AssemPlanner: A Multi-Agent Based Task Planning Framework for Flexible Assembly System
• 作者：Chenhao Zhang, Chaoran Zhang, Zhaobo Xu, Yongbo Yang, Pingfa Feng, Long Zeng
• 机构：清华大学深圳国际研究生院、清华大学机械工程系
• 开源：https://github.com/chz332/AssemPlanner

一、背景与挑战

柔性装配的核心痛点是"换产品就要重做规划"。论文指出，每条新产线的建立都要多位专家反复进行任务分解、工艺设计和资源配置，对多品种、小批量需求响应迟缓。现有方案都没解决这个瓶颈：基于知识/技能的方法（知识图谱、PDDL 等 DSL）逻辑严谨，但知识更新依赖人工、跨产品泛化差；基于学习的方法（RL/模仿学习）数据需求大，产线重构时往往需要重训；基于 LLM 的方法目前仅作辅助模块，缺乏与领域知识、低层调度算法的深度耦合，难以生成满足严苛工业约束的可执行序列。

工业任务规划与一般任务规划的最大区别在于"零容错"——餐具摆放可以乱序，但减压阀装配的零件定位与工艺顺序必须严格符合工程规范，错一步可能导致硬件故障或停产。论文据此提出关键问题：能否用一个多智能体框架，让自然语言指令在装配过程中自主完成理解、推理与协同，并把"语义推理 + 领域约束 + 执行调度"统一编排成闭环？现有范式都没做到这一点，这正是 AssemPlanner 要补的位。

---

二、AssemPlanner 核心架构与三智能体协同

AssemPlanner 是一个分层多智能体框架，整体目标可形式化为：

其中  是用户的自然语言输入， 分别是 SchedAgent / KnowledgeAgent / LineBalanceAgent 三个核心 Agent， 是提供环境与资源约束的场景图， 是最终输出的可执行装配动作序列。SchedAgent 处于中央位置，按 ReAct 的 "Reason–Action–Observe" 范式滚动决策，调度过程抽象为：

是 SchedAgent 在  时刻的内部状态； 是 KnowledgeAgent 返回的工艺/资源消息； 是 LineBalanceAgent 返回的工序分配与 CT 约束反馈； 是场景图提供的资源拓扑信息。最终方案不是一次生成，而是经过 Agent 间多轮"协商"逐步收敛——例如 LineBalanceAgent 报回 CT 不可行时，SchedAgent 会主动启动启发式回溯并触发重规划。

图片来源于原论文

SchedAgent（中央推理引擎）。它不是被动的工具调用器，而是"认知决策中枢"，每一步都先做语义解析（Reasoning），再主动向特定 Agent 发起询问以补齐缺口（Action），最后整合外部反馈更新状态（Observation）。论文给出的 Algorithm 1 把整个 ReAct 循环写得很清楚：依次检查"工艺未知 → 调  "、"工艺时长未知 → 调  "、"流水线未平衡 → 调  "、"零件/工具未知 → 调  "、"资源位置未知 → 调  "，全部满足后再生成最终任务列表。这套循环让 SchedAgent 能自主识别冲突、回溯重规划，直到所有工业约束兼容。

KnowledgeAgent（KG 增强的工业 RAG）。它解决工业 LLM 最致命的"幻觉"问题。其知识检索过程为：

是基于向量相似度的检索函数，从工业知识库 取出语义相关片段； 是综合与推理函数，把碎片整合成结构化上下文。论文进一步采用"两层检索范式"——先用向量检索得到候选集 ，再对 中的实体/关系做一跳邻居展开，得到局部子图 ，最后用整合函数 把"工艺逻辑 + 工具需求 + 零件位置"打包，与原始 query 一起送回 LLM 生成回答。整张工业 KG 由 LLM + NLP 从工艺文档自动构建（节点是零件型号/工艺/工具，边是顺序/空间/功能依赖），并支持增量扩展 、 ——新工艺文档无需重建知识库。

LineBalanceAgent（自然语言驱动的自反思优化）。论文最具特色的一块：用语言而不是奖励函数做流水线平衡。它由 Actor、Evaluator 和 Self-Reflexion 三模块组成，循环表达为：

Actor 基于上下文  、短期记忆  和长期记忆  生成动作  （即工序分配方案），与环境（脚本化产线）交互拿回反馈  （含工位负载、工序耗时、CT、资源利用率）；Evaluator 实时评估生成短期记忆；Self-Reflexion 模块结合外部约束  （工具可用性、产线资源上限）做反思，更新长期记忆——优化经验在迭代之间被持续积累。整个机制把"专家级编码 + 奖励工程"换成了"自然语言 prompt + 多轮自反思"。

Scene Graph（场景图）。负责把车间里的资源以图结构表达，节点是资源、边是拓扑依赖，可动态更新。SchedAgent 通过序列化 API 查询场景图获取空间坐标与资源属性，确保装配动作无冲突；论文指出该模块基于团队前期的环境建图工作，可在新工作空间中快速同步。

图片来源于原论文

---

三、实验设计与评估指标

论文从三个维度系统评估 AssemPlanner——KnowledgeAgent 的工业问答准确率、LineBalanceAgent 的产线平衡能力、整体框架的端到端任务规划与物理产线落地。

KnowledgeAgent 评估。横向对比 6 个 LLM API：DeepSeek-R1、Llama 4、Llama 3、Qwen 3、GPT-4、GPT-3.5，问题分单跳（基础工艺理解、工艺适用性判断）与多跳（顺序比较、顺序衔接、需求查询、关系映射）两类。题目数量分别为：单跳 19+38 题，多跳 166+166+74+96 题。所有答案先由 LLM 自动判分，再由三位领域专家进行二次校验。论文定义平均准确率：

是模型  在第  题上的对错；并进一步定义 PTWA（Problem Type Weighted Accuracy）作为综合排序指标：

本文中  对单跳与多跳都设为 0.5，等权重综合 SHA（Single-Hop Accuracy）与 MHA（Multi-Hop Accuracy）。

LineBalanceAgent 评估。选取减压阀装配作为评测案例，共 12 道工序，固定 5 个工位、目标  、统一的工具切换规则；详细工序时长与紧前关系见论文 Table 2（如 Process 1 = 124s 无前置；Process 11 = 147s 紧前为 9 和 10；Process 12 = 58s 紧前为 11）。对比对象覆盖学习类 DQN、元启发式 IGA / MBO / ABC / ZOA，以及消融基线"GPT-4 (w/o reflexion)"——即只走单轮直接推理、不做自反思，用来分离 Reason-Action-Observe 循环的贡献。五个工业指标定义如下：

是工位  的总加工时间， 是工位总数；CT 越低越好（< 250s 视为合格），LBR 越高越好（瓶颈越小）；NITC 是收敛迭代数（越少越快），NWU 是工位数（越少越省资源），TCT 是工具/夹具更换次数（越少越省 setup）。所有方法重复 5 次取均值。

整体框架评估。在 19 类连接器装配任务上测试，整体被分解为 419 个子任务，并打上多维标签：Location 标签 332 步（需推断零件/工具坐标），Object 标签 242 步（涉及实物拾取）；同一子任务可同时拥有两类标签——例如"从 2 号房间 2 号货架取橡胶圈工具"。准确率分四级（Task / Subtask / Location / Object），以 Task 为例：

是端到端规划完全正确的任务数， 是任务总数；其它三级指标用对应步数定义。每条结果由 3 位独立工业专家做多数投票判定，每个实验重复 5 次。

---

四、实验结果与对比

KnowledgeAgent：单跳全部接近满分，多跳呈现显著模型差。

题型	题量	DeepSeek-R1	Llama 4	Llama 3	Qwen 3	GPT-4	GPT-3.5
Overall Process Understanding	19	100%	100%	100%	94.74%	100%	89.47%
Process Applicability	38	100%	94.74%	100%	97.47%	100%	92.11%
Sequence Comparison	166	99.39%	93.37%	87.35%	90.36%	100%	92.17%
Sequence Linking	166	97.96%	91.57%	92.77%	96.99%	98.8%	86.75%
Requirement Query	74	98.65%	97.39%	97.39%	90.54%	98.65%	75.68%
Relation Comparison	96	96.88%	95.83%	94.79%	94.79%	97.92%	90.63%

GPT-4 与 DeepSeek-R1 在多跳任务上同档领先，复杂关系推理保持接近完美；GPT-3.5 在 Requirement Query 跌到 75.68%，体现旧一代模型在跨片段推理上的明显退化。论文据此推断：在工业级部署中，结构化上下文（KG 增强 RAG）是单跳稳定的关键，但多跳准确度仍要靠模型自身的复杂推理能力——KG 增强不是万能补丁。

LineBalanceAgent：用 8 次迭代追平元启发式，并完胜单轮 LLM。

方法	NITC	NWU	CT(s)	TCT	LBR(%)
IGA	200	6	234	5	69.3
DQN	200	5	243	6	93.4
MBO	10	5	247	6	91.9
ABC	690	5	247	6	91.9
ZOA	161	5	247	6	91.9
LineBalanceAgent	8	5	247	6	91.9
GPT-4 (w/o reflexion)	1	5	249	7	79.0

三个关键观察：第一，消融对比——去掉自反思后 GPT-4 一次出解（NITC=1）但 LBR 跌到 79.0%、TCT 升到 7，说明 ReAct 闭环对工业级优化质量是必需的；第二，与元启发式的对比——MBO/ABC/ZOA 最终都收敛到 LBR 91.9%，但 NITC 分别为 10、690、161，LineBalanceAgent 仅 8 次便达成相同质量；IGA 虽然 CT 最低 234s，但代价是 6 个工位（多 1 工位）且 LBR 仅 69.3%，全局负载更不均衡；第三，与 DQN 的对比——DQN 拿到最高 LBR 93.4% 但需要 200 次迭代，在产线频繁重构的柔性场景下，这点边际收益往往得不偿失。LineBalanceAgent 的真正卖点是用自然语言替代奖励工程与编码方案，在不损失质量的前提下大幅降低部署成本。

整体框架：one-shot 即可解锁高精度，two-shot 多项指标饱和。

设置	Task	Subtask	Location	Object
Zero-shot	26.32%	85.89%	85.13%	79.57%
One-shot	63.16%	93.81%	92.49%	89.71%
Two-shot	68.42%	97.22%	96.46%	86.94%

zero-shot 下 Task 仅 26.32%，但 Subtask/Location/Object 都已超 79%，说明子任务分解与环境理解能力不依赖示例；引入 1 个示例后 Task 跃升 36.84 个百分点（26.32→63.16），到 two-shot 进一步小幅提升 5.26 个百分点；细粒度三项接近饱和。这意味着 AssemPlanner 在跨产品迁移时只需极少示例就能高精度部署。

消融实验：三个组件缺一不可。

配置	Task	Subtask	Location	Object
AssemPlanner w/o KnowledgeAgent	0.00%	0.00%	0.00%	0.00%
AssemPlanner w/o Scene Graph	0.00%	21.99%	0.00%	0.00%
AssemPlanner（完整）	68.42%	97.22%	96.46%	86.94%

去掉 KnowledgeAgent 后系统全面崩溃——没有领域工艺知识，模型陷入完全幻觉；去掉 Scene Graph 仍能产生逻辑序列（Subtask 21.99%），但失去空间锚点，无法配置每步所需的工具与零件，Location/Object 两项归零；去掉 LineBalanceAgent 则虽能产出动作序列但不再受工位与 CT 约束，论文指出"产生的子任务表对真实产线毫无意义"。

减压阀实物部署。论文报告多次实验结果高度一致，框架对 LLM 幻觉有效抑制，能稳定生成确定性可执行装配序列。换产品（如连接器）时，用户只需更新 KnowledgeAgent 的知识库，不必微调底层 ReAct/优化算法，实现"零代码跨域迁移"。

---

五、总结与思考

AssemPlanner 的核心贡献，不在于堆出又一个多 Agent demo，而在于把语义推理、工业约束、低层调度三件事真正用闭环负反馈拼起来——SchedAgent 的 ReAct 循环负责动态调度，KnowledgeAgent 的两层 KG-RAG 负责符号锚定与抑制幻觉，LineBalanceAgent 的自反思机制把流水线平衡的"专家调参与奖励工程"换成了纯 prompt 优化。这套设计解决了既有三类范式都没解决的问题：知识/DSL 法不灵活、学习法太吃数据、纯 LLM 法缺约束耦合。

从工业落地角度看，三点价值最值得关注：第一，部署敏捷——换产品只更新 KG，不必重训模型或重编码奖励函数，论文已在减压阀和 19 类连接器上验证这一"零代码迁移"特性；第二，人才门槛降低——非 AI 专家也能用自然语言驱动产线重构，缓解专用算法工程师短缺问题；第三，质量–效率平衡——LineBalanceAgent 用 8 次迭代达到 LBR 91.9%，比 DQN 的 200 次、ABC 的 690 次显著更快，更适合柔性场景的频繁重配。

局限与改进方向论文也讲得很坦诚：不同 LLM 的复杂逻辑推理能力差异显著（GPT-3.5 多跳跌到 75.68%），后续可探索模型集成与领域微调来提升低成本模型的可用性；知识库虽然支持增量扩展，但面对非结构化、异构数据时仍需人工，未来可结合自动知识抽取与语义融合做近实时更新；跨域泛化的实证仍局限于减压阀与连接器，汽车、航空、电子等更复杂的离散制造场景还需要更广的基准验证。整体来看，AssemPlanner 是一条把"具身工业智能"从 demo 推进到实际可部署系统的可行路径。