A Large Language Model-based multi-agent manufacturing system for intelligent shopfloor

📄 arXiv: 2405.16887v2 📥 PDF

作者: Zhen Zhao, Dunbing Tang, Changchun Liu, Liping Wang, Zequn Zhang, Haihua Zhu, Kai Chen, Qingwei Nie, Yuchen Ji

分类: cs.AI, cs.MA, cs.RO

发布日期: 2024-05-27 (更新: 2025-09-22)

期刊: Zhao Z, Tang D, Liu C, et al. A Large language model-based multi-agent manufacturing system for intelligent shopfloors[J]. Advanced Engineering Informatics, 2026, 69: 103888

DOI: 10.1016/j.aei.2025.103888

💡 一句话要点

提出基于大语言模型的多智能体制造系统，用于智能车间管理，无需预训练。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多智能体系统 大语言模型 智能制造 车间调度 动态优化

📋 核心要点

  1. 传统智能体协商依赖预定义规则，难以应对复杂扰动；强化学习方法需为特定车间构建模拟器和训练模型，计算成本高且缺乏可扩展性。
  2. 利用大语言模型的推理能力，构建包含机器服务器、招标邀请、投标、思考和决策模块的智能体，动态分析车间信息并选择合适的加工机器。
  3. 在实际车间环境中进行实验，结果表明该系统具有强大的适应性，在完工时间和稳定性方面优于其他方法，且无需预训练。

📝 摘要（中文）

为了应对多品种小批量生产中日益增长的客户需求以及动态扰动对制造系统提出的更高要求，本文提出了一种基于大语言模型（LLM）的多智能体制造系统，用于智能车间管理。该系统通过定义智能体的各种模块及其协作方法，以最小的人工干预促进所有工件的加工。系统中的智能体包括机器服务器模块（MSM）、招标邀请模块（BIM）、投标模块（BM）、思考模块（TM）和决策模块（DM）。通过利用LLM的推理能力，这些模块使智能体能够动态分析车间信息并选择合适的加工机器。基于系统提示预定义的基于LLM的模块为系统提供动态功能，而无需预训练。在物理车间环境中进行了大量实验。结果表明，与无需预训练的其他方法相比，所提出的系统表现出强大的适应性，并实现了卓越的性能（完工时间）和稳定性（以样本标准差衡量）。

🔬 方法详解

问题定义：论文旨在解决传统多智能体制造系统在应对动态扰动时，依赖预定义规则导致适应性差，以及基于强化学习的方法需要大量计算资源和缺乏可扩展性的问题。现有方法难以在复杂多变的车间环境中实现高效的资源调度和任务分配。

核心思路：论文的核心思路是利用大语言模型（LLM）的强大推理能力，使智能体能够动态地分析车间信息，并根据当前状态做出更合理的决策。通过将LLM集成到智能体中，避免了对特定车间进行预训练的需求，提高了系统的通用性和适应性。

技术框架：该系统包含以下主要模块：机器服务器模块（MSM）、招标邀请模块（BIM）、投标模块（BM）、思考模块（TM）和决策模块（DM）。MSM负责管理机器资源信息；BIM负责发起招标；BM负责参与投标；TM是基于LLM的思考模块，负责分析车间信息并生成投标策略；DM负责根据TM的输出做出最终决策。整个流程是：BIM向MSM请求机器信息，BM通过TM分析信息并生成投标，DM根据投标结果选择最优机器。

关键创新：最重要的技术创新点在于将LLM引入多智能体制造系统，并将其作为智能体的“思考模块”。与传统方法相比，该方法无需预训练，能够根据车间状态动态调整决策，从而提高了系统的适应性和鲁棒性。LLM的使用使得智能体能够理解复杂的车间信息，并进行更高级别的推理和规划。

关键设计：系统通过预定义的系统提示（system prompts）来配置LLM，使其能够理解车间环境和任务目标。这些提示定义了LLM的角色、输入输出格式以及决策逻辑。具体的参数设置和网络结构取决于所使用的大语言模型，论文中可能未详细说明LLM的具体架构和训练细节。

📊 实验亮点

实验结果表明，该系统在实际车间环境中表现出强大的适应性，并且在完工时间和稳定性方面优于其他方法。具体性能数据和对比基线在论文中进行了详细展示，证明了基于LLM的多智能体制造系统在智能车间管理方面的有效性。

🎯 应用场景

该研究成果可应用于各种制造场景，尤其适用于需要频繁调整生产计划的多品种小批量生产模式。通过智能化的资源调度和任务分配，可以提高生产效率、降低生产成本，并增强制造系统的柔性和适应性。未来，该技术有望进一步扩展到其他智能制造领域，如智能仓储、智能物流等。

📄 摘要（原文）

As customer demand for multi-variety and small-batch production increases, dynamic disturbances place greater demands on manufacturing systems. To address such challenges, researchers proposed the multi-agent manufacturing system. However, conventional agent negotiation typically relies on pre-defined and fixed heuristic rules, which are ill-suited to managing complex and fluctuating disturbances. In current implementations, mainstream approaches based on reinforcement learning require the development of simulators and training models specific to a given shopfloor, necessitating substantial computational resources and lacking scalability. To overcome this limitation, the present study proposes a Large Language Model-based (LLM-based) multi-agent manufacturing system for intelligent shopfloor management. By defining the diverse modules of agents and their collaborative methods, this system facilitates the processing of all workpieces with minimal human intervention. The agents in this system consist of the Machine Server Module (MSM), Bid Inviter Module (BIM), Bidder Module (BM), Thinking Module (TM), and Decision Module (DM). By harnessing the reasoning capabilities of LLMs, these modules enable agents to dynamically analyze shopfloor information and select appropriate processing machines. The LLM-based modules, predefined by system prompts, provide dynamic functionality for the system without the need for pre-training. Extensive experiments were conducted in physical shopfloor settings. The results demonstrate that the proposed system exhibits strong adaptability, and achieves superior performance (makespan) and stability (as measured by sample standard deviation) compared to other approaches without requiring pre-training.