# ADS_Agent

**Repository Path**: lantoliang/ads_-agent

## Basic Information

- **Project Name**: ADS_Agent
- **Description**: 自动决策系统智能体的研发。
- **Primary Language**: Unknown
- **License**: Apache-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-11-27
- **Last Updated**: 2025-11-30

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README


- [一、概念](#一概念)
    - [1.1 ADS-自动化决策系统](#11-ADS-自动化决策系统)
    - [1.2 MLOps 流程](#12-MLOps 流程)
- [二、技术架构设计](#二技术架构设计)
- [三、开发周期](#三开发周期)
- [四、总结：如何从0到1构建？](#四总结：如何从0到1构建？)
- [五、实际工业场景项目](#五实际工业场景项目)

自动化决策系统（ADS），它不仅仅是预测（Prediction），而是根据预测结果直接采取行动或建议（Action）。

# 一、概念
## 1.1 ADS - 自动化决策系统
1. ADS 定义：利用数据、规则引擎、算法模型（机器学习/深度学习）和运筹优化技术，在极少或没有人工干预的情况下，自动做出业务决策。

2. 核心公式：决策 = 数据+预测模型+业务规则+优化目标

3. 区别：普通 AI 应用可能只输出“这张图是猫”，而 ADS 输出“批准这笔贷款，额度为 5 万，利率 4.5%”

4. 应用场景
● 金融风控：信用卡审批、反欺诈检测、信贷额度评估。
● 电商与零售：动态定价、个性化推荐、库存自动补货。
● 供应链与物流：路径规划、配送调度、仓储优化。
● 工业制造：预测性维护（决定何时停机维修）、生产排程。
  ○ 智能维护与资产管理系统 - 维修策略优化 - 异常检测+生存分析+强化学习
  ○ 生产计划与排程系统 - 把不同的订单给到不同的设备生产 - 混合整数规划 MILP+遗传算法 GA+约束规划
  ○ 过程控制与参数自优化系统 - 自动调整材料的配比、时间、压力等参数 - 模型预测控制 MPC+深度强化学习 DRL+机理模型+AI 混合驱动。
  ○ 工业视觉与质量判决系统 - 检测到产品有瑕疵，是返修还是报废 - 计算机视觉+边缘计算
  ○ 厂内物流与仓储调度系统 - 管理物料在工厂内的流动 - 图论算法+多智能体协同、排队论。
● 医疗健康：辅助诊断、治疗方案推荐。
## 1.2 MLOps 流程
MLOps（机器学习运维）是衔接模型开发（Dev）与生产运维（Ops）的核心流程，其核心目标是实现模型全生命周期的自动化、可重复、可监控，尤其适配大模型（LLM）训练 / 微调、部署、迭代的复杂场景。
https://www.yuque.com/yuelaiyuepangdeduanmaozi/yyzn9t/xi8hs0ud8c39lkx1

# 二、技术架构设计
构建一个健壮的 ADS 通常采用分层架构，强调模块化和解耦。
1. 第一层：数据层（Data Layer）
2. 第二层：决策引擎层（Decision Engine Layer）【核心】，一般有三种组件
  2.1. 规则引擎（Rule Engine）：处理硬性业务逻辑（如：年纪<18 岁直接拒绝）
    2.1.1. 工具：Drools，Easy Rules， UDSL
  2.2. 模型服务（Model Serving）：运行机器学习模型输出概率或分数。
    2.2.1. 工具：TensorFlow Serving, ONNX Runtime, Triton。
  2.3. 运筹优化（optimization）：在约束条件下寻找最优解.
    2.3.1. 工具：Gurobi，OR-Tools
3. 第三层：执行与反馈层（Action & Feedback）
  3.1. API 网关：向业务系统返回决策结果（JSON 格式）
  3.2. AB 测试西戎：验证新策略的效果。
  3.3. 反馈回路：收集决策后的实际结果（如：用户是否违约），用于模型再训练。
# 三、开发周期
开发 ADS 与传统软件开发不同，它遵循 MLOps 流程：
1. 第一阶段：问题定义与指标
  a. 明确目标：是最大化利润？最小化风险？还是平衡两者？
  b. 定义指标：业务指标（转化率、坏账率） VS 技术指标（AUC, Precision 精确度， Recall 召回率）
2. 第二阶段：数据工程与特征工程
  a. 数据清洗：处理哦缺失值、异常值
  b. 特征构建：比如“过去 30 天交易总额”、“最近一次登录时间”。
  c. 重要：必须解决训练/服务偏差（Training-Serving Skew），即离线训练数据与实时线上数据分布不一致的问题。
3. 第三阶段：模型与策略开发
  a. 混合策略（Hybrid Strategy）：
    ⅰ. 先过规则筛子（过滤高风险或明显不合规）
    ⅱ. 再过 ML 模型（机器学习模型打分）
    ⅲ. 最后过策略阈值（分数>0.8 通过，0.6-0.8 人工审核，<0.6 拒绝）
  b. 算法选择：结构化数据常用 XGBoost/LightGBM；非结构话数据用 Deep Learning；复杂约束用 强化学习（RL）
4. 第四阶段：部署与监控
  a. 影子模式：新模型上线不直接决策，只在后台运行记录，对比老模型效果。
  b. 金丝雀发布：逐步切分流量给新模型
  c. 模型监控：监控数据漂移和概念漂移
# 四、总结：如何从0到1构建？
● 不要一开始就上深度学习。 从简单的规则引擎（if-else）开始，建立基准线（Baseline）。
● 数据闭环比模型精度更重要。 确保你记录了每一次决策及其最终结果（Reward），这是系统进化的燃料。
● 关注业务KPI。 模型的准确率提高了1%，但如果导致业务处理时间增加了500ms，可能得不偿失。
● 合规第一。 在金融、医疗等领域，确保决策逻辑符合法律法规（如GDPR、个人信息保护法）。
# 五、实际工业场景项目
## 5.1 基于视觉的自动化质检判决（agent 方向）
这是一个软硬结合且数据驱动的过程。
需求定义与指标对齐
● 定义缺陷标准 (Defect Definition)：
  ○ 什么是“坏品”？（划痕长度>1mm？异色面积>0.5mm²？）
  ○ 建立缺陷图谱 (Defect Catalog)，明确哪些缺陷必须检出，哪些可以容忍。
● 确定核心指标：
  ○ 漏检率 (False Negative Rate)： 坏品被当成好品放过了。这是致命指标，通常要求 < 0.1% 甚至 0。
  ○ 过杀率 (False Positive Rate / Overkill)： 好品被当成坏品剔除了。这影响成本，通常要求 < 3% - 5%。
  ○ 节拍时间 (Cycle Time)： 产线每生产一个产品只需 500ms，你的系统处理（拍照+传输+推理+决策）不能超过 450ms。
● CV模型 只是你 Agent 的一个 Tool（工具），就像计算器之于人类。
● PLC/机械臂 是你 Agent 的 Hand（执行手）。
● 数据库/文档 是你 Agent 的 Memory（记忆）。
### 5.1.1 Agent 方向 1 -  从“单纯判决”到“多模态归因推理” 
算法团队训练出来的 CV 模型，只能告诉“这里有划痕”，但不能告诉你“为什么会有划痕”。而对于工厂来说是需要找到根因。而 我们就可以开发一个 多模态分析 Agent，它不仅“看图”，还能“查数据”。

ReAct 工作流
1. 感知（Observation）：视觉模型报告：“检测到连续 3 个产品表面出现灼伤痕迹”。
2. 思考（Tought）：“连续灼伤通常与炉温过高或传送带停滞有关。我需要检查过去 5 分钟的传感器数据。”
3. 行动（Action）：调用时序数据库 API，查询上游回流焊炉的温度曲线。
4. 在思考（Tought）：“数据显示炉温正常，但传送带电机电流有过激增。可能是传送带卡顿导致产品在炉内停留过久”。
5. 最终响应（Response）：向中控室发送警报：“建议检查传送带电机，疑似卡顿导致产品过热灼伤（置信度 85%）。”
需要使用的技术栈：LangChain/AutoGen + Function Calling（查库、读日志）+Time-Series Analysis
### 5.1.2 Agent 方向 2 -  实现的“零代码/低代码配置” 
开发一个 配置与运维 Agent，让产线工人通过自然语言控制系统。
场景演示
人类输入：“今天要生成针对 A 客户的批次，他们的标准比较严，任何超过 0.5 毫米的黑点都要剔除，但是允许表面有轻微的水波纹。”
Agent 处理：
1. 语义解析，提取实体：Defect_Type 缺陷类型
  a. Defect_Type: Black_Dot, Size_Limit: 0.5mm, Action: Reject 和 Defect_Type: Water_Mark, Action: Accept。
2. 参数映射：将这些自然语言转化为系统的 JSON 配置文件。
3. 工具调用：调用系统的 UpdateConfig()接口，动态修改运行时的过滤规则。
结果：系统自动完成了参数切换，无需写代码。
技术栈： Prompt Engineering + Structured Output (JSON) + RAG (查询历史配置文档)

### 5.1.3 Agent 方向 3 - 异常处理与人机协作
传统视觉模型遇到没见过的缺陷时，往往会瞎猜一个结果，导致漏检，这是我们就可以开发一个具有自省能力的 Agent。
场景演示
1. 视觉模型：输出执行度 0.65（处于模棱两可的区间）
2. Agent 接入：“这个执行度太低，不能直接通过。我需要更多的信息。”
3. Agent 行动：
  a. 调用相机接口，指令相机“调整曝光度，再拍一张。”
  b. 或者，将图片推送到人工审核终端，并附带提示：”我不确定这是油渍还是划痕，请人工确认。“
4. 知识沉淀：当人工确定这是“油渍”后，Agent 调用 Vector DB 的接口，将这个 Case 作为新的样本存入知识库，瑕疵遇到类似情况它就懂了。

## 5.2 单设备的能耗/参数优化