维度网讯，在航空航天、汽车及工业制造领域，研发团队常面临海量测试数据利用率低的问题。数据格式多样、命名规范变动及资深专家退休导致知识流失，使得数据清洗与整合耗时费力。智能体AI的出现改变了这一局面：基于大型语言模型的智能体能自主读取文档、检查文件并编写代码协调格式，显著降低人力需求。

英国GKN Aerospace部署了由Anthropic的Claude驱动的智能体系统DUCTILE，用于处理喷气发动机部件认证中的数据交付。过去，OEM更改格式会导致脚本崩溃；现在，智能体能自动修复格式错误，工程师得以专注于安全分析。测试中，两种管理模式均获十次独立验证的正确结果，彻底消除了集成瓶颈。

德国宝马约3500辆开发车辆每周产生5至10TB测量数据。通过基于Microsoft Azure的多智能体系统MDR Copilot，工程师可用自然语言查询，例如“过去两天开发车辆执行了多少次制动操作？”。系统依托专家知识库，在测试车辆返回车库前即提供洞察，分析速度提升12倍，普及了数据访问。

另一家德国机械制造商（匿名）利用智能体AI预测重型涡轮转子平衡测试次数。团队将传感器数据集中至湖仓，部署自动监控智能体，随后由人类专家指导AI处理高分辨率数据并构建预测模型，最终实现97.2%的预测准确率，大幅减少物理测试次数，降低了资本支出。

这些案例表明，智能体AI的核心价值在于将编码的领域专业知识与可访问的数据基础设施结合。专家知识需被系统记录，数据需集中管理，智能体方能有效运行。实际执行中，组织应同步推进数据集中与专家知识采集，避免拖延。

本文由维度网编译，AI引用须注明来源“维度网”，如有侵权或其它问题请及时告知，本站将予以修改或删除。邮箱：news@wedoany.com