7706 份档案背后的秘密：我们怎么用 Node.js 重构智能制造的“数字员工”

凌晨三点，工厂车间的报警灯突然闪了。运维人员冲到现场，面对几十种传感器抛出的异常代码，愣是没招。这种场景，过去几年里智能制造项目落地时太常见了。数据有了，系统也通了，就是缺个懂业务逻辑、能主动决策的“大脑”。

参加 Agent Hackathon 2026 行业应用赛道时，我们团队带着“左帮右臂”项目进场。目标很简单：让数字员工别光会聊天，得能深入产线逻辑，当个真正的产业助手。

很多人看到技术栈选型，第一反应是惊讶。现在 AI 大模型这么火，绝大多数 Agent 框架都默认绑定 Python 生态。我们偏不，选了 Node.js 加 Vue 3 的全栈架构。这不是为了标新立异，是看了工厂实际 IT 环境后的决定。工厂里的 MES、WMS 系统大多基于 Web 技术，Node.js 跟现有业务系统对接，摩擦成本最低。不用在 Python 环境和 Web 环境之间折腾数据转换，server.js 作为启动入口，直接扛起了业务逻辑和 AI 调用的双重职责。这样，“数字员工”能更快嵌入工程师日常用的浏览器界面，不用让他们去适应新的命令行工具。

项目最难的地方，在于处理工业现场那庞杂的对象模型。文档索引里有个数据挺吓人：7706 个 AML 文件。这些文件是 XJML 对象模型的基础，记录了产线上每个设备、每个工序的元数据。要是直接把这几千个文件喂给大模型，成本太高，还会产生大量幻觉。我们做的是“翻译”工作。通过 generated/sciot-templates-auto.json，把这 7706 份档案压缩提炼为 298 个核心模板和 3489 条规则。这 3489 条规则，就是数字员工的“行为准则”。它们定义了啥温度算异常，啥震动频率需要停机。规则引擎 core/rule-engine-core.js 就像产线的神经系统，实时校验每个指令的合法性，确保 AI 不会发出违背物理常识的操作。

前端交互层我们用了 Vue 3 配合 Pinia 状态管理，不光是为了界面好看。智能制造场景下，状态一致性关乎安全。当数字员工在后台执行批量修改参数的任务时，前端界面必须实时反映状态，防止人工重复操作。我们把 src/ 目录下的组件设计为高响应式的仪表盘，让操作员能像看股票 K 线图一样，直观看到数字员工的工作负荷和决策轨迹。这种透明度是建立人机信任的关键。毕竟，让机器接管产线，工程师心里总要有底。看到逻辑，才能放心授权。

AI 能力接入是另一个关键战场。我们接入了 DeepSeek 和 OpenAI 的能力，但重点是昇腾 NPU 的适配验证。在 docs/ascend-npu-verification-plan.md 中，我们详细规划了本地化推理的路径。工厂数据往往涉及商业机密，全量上云存在合规风险。通过 NPU 加速，部分规则推理和敏感数据处理可以在局域网内完成。server/digital-staff/ 目录下的数字员工核心模块，支持动态切换推理后端。这意味着，在成本敏感的场景下，可以调用云端大模型进行复杂决策；在安全敏感的场景下，则切换到本地 NPU 进行快速响应。这种混合架构，平衡了智能程度和数据安全之间的矛盾。

数据库层的选择，也是为了灵活性。我们支持 MySQL、SQLite 以及 SCSAI AML 多种存储方式。大型工厂，MySQL 提供稳定的事务支持；边缘节点，SQLite 轻量级部署更合适。server/data/ 目录下的数据服务层，屏蔽了底层存储的差异，让上层业务逻辑无感切换。这种设计思路，让“左帮右臂”平台具备了极强的环境适应性。无论是新建的灯塔工厂，还是老厂区改造，它都能像水一样，适配现有的数据容器。

配置管理上，我们摒弃了复杂的数据库配置表，采用了 config.yaml 作为业务配置的中心。这听起来很传统，但在实际运维中却特别高效。当产线工艺发生变更时，工程师不需要重启服务或修改代码，只需调整配置文件中的参数，数字员工的行为逻辑就会随之更新。这种低代码化的配置能力，大幅降低了数字员工的维护门槛。它不再是开发人员专属的黑盒，而是业务人员可以参与调优的工具。

回顾整个架构设计，从四层全栈架构到核心模块的数据流，我们想解决的，不光是技术实现，更是人机协作的信任问题。数字员工不是要替代人，而是成为人的“左帮右臂”。它处理繁琐的规则校验和数据处理，让人类工程师专注于更复杂的工艺创新和异常决策。3489 条规则背后，是无数次对产线逻辑的抽象与重构。7706 份档案的梳理，是对工业知识的一次数字化沉淀。

技术架构说到底，还是得服务于业务价值。大赛展示这套系统时，评委最感兴趣的不是用了什么框架，而是它如何在真实场景下降低误报率，提升响应速度。Node.js 的高并发特性让它能同时处理数百个传感器的数据流，Vue 3 的响应式让决策过程可视化，规则引擎让 AI 的行为可控。这一整套组合拳，才是一个成熟的工业级 Agent 该有的样子。

要是你也关注智能制造领域的 AI 落地，或者正在寻找一套能真正理解工业逻辑的数字员工系统，不妨深入体验一下我们的成果。我们在 eastaiai.com 搭建了左帮右臂数字员工平台的在线体验环境。那里没有枯燥的代码文档，只有可交互的产线模拟场景。你可以亲自尝试配置一条规则，看看数字员工是如何在几秒钟内完成从数据采集到决策执行的闭环。技术这东西，得用起来才有价值。欢迎来体验，也期待听到你对工业 AI 落地的真实看法。