左 越 韩 宇 马冬妍（国家工业信息安全发展研究中心）
摘 要：近年来，人工智能技术与制造业深度融合，推动工业智能体应用快速发展，在当前算法趋同、算力普惠的竞争环境下，高质量数据集已成为推动工业智能体规模化应用的核心要素。本文系统梳理了工业智能体的发展现状及趋势，研判了面向工业智能体应用的高质量数据集建设需求与存在问题，提出了高质量数据集建设的工程化路径，并从平台建设、标准完善、技术创新、运营合规等方面提出了高质量数据集建设的对策建议，为推动面向工业智能体的高质量数据集规模化建设提供路径参考。
关键词：工业智能体；高质量数据集；数据集建设
当前，新一轮科技革命和产业变革加速演进，人工智能技术正从感知智能向认知智能跃迁，与工业领域的融合渗透持续深化，催生工业智能体这一新型产业形态。工业智能体正逐步融入工业全流程业务场景，对场景模型应用、决策水平与适配效果提出了更高要求，倒逼工业领域加快推进标准化、专业化、场景化高质量数据集体系建设。因此，构建面向工业智能体应用的高质量数据集，对于助力工业智能体技术迭代、加速制造业数智化转型具有重要的现实意义。
一、工业智能体的特征
工业智能体是以大模型、具身智能等新一代人工智能技术为驱动，面向工业研发、生产、供应链、销售、服务等工业产品全生命周期的智能体系统，具备环境感知、任务规划、工具调用、多轮交互、安全可控、行业应用等核心功能。区别于传统工业自动化系统的“指令执行”模式，工业智能体能够动态适配复杂多变的工业场景，自主完成任务规划、问题诊断与优化决策，具有主动规划决策、多模态交互、多智能体协同、长期记忆等关键特征。
（一）主动规划决策
工业智能体能够在强约束与多目标并存的条件下自主形成可执行的闭环方案。在工业生产场景中，工业智能体可实时采集设备运行、生产工况、物料供应等多维度数据，结合预设目标与约束条件，自主制定生产排产、工艺调整、设备调度等可执行方案，实现生产过程的自主优化。
（二）多模态交互
工业场景的复杂性决定了工业智能体须具备多模态交互能力，能够高效处理并融合文本、图像、时序信号、三维点云、语音等多源异构数据，实现与工业设备、系统及人员的多维度交互，打破单一数据模态的局限。通过多模态交互，工业智能体可全面感知工业环境的动态变化，精准捕捉生产过程中的核心信息，为主动规划与决策提供全面的数据支撑。
（三）多智能体协同
随着工业智能体应用范围的拓展，单一智能体已难以满足研发、生产、供应链等全链路复杂任务的需求，智能体系统已从传统单一智能体支撑完成理解、推理与执行等任务的独立工作模式，演进为面向角色分工与组织编排的自主协同式体系。通过将复杂工业任务由单点求解转化为可分解、可并行、可治理的协同求解过程，将原本由单体承担的全流程工作拆分为多个职责清晰的专用智能体自主分析处理，并在统一的组织编排下完成端到端闭环。
（四）具备长期记忆
工业智能体不再仅凭当前任务输入维持局部连贯，而是将跨班次、跨工序、跨系统等关键事实与约束进行显式化处理并持续积累，将BOM配置、工艺版本、参数设置、检验判据、设备履历、异常处置过程与决策轨迹等以结构化数据形式写入长期记忆，使记忆从短时上下文扩展为可追溯的知识与经验底座。长期记忆的核心是能够存储、整合工业全流程中的各类数据与经验，包括生产工艺参数、设备运行记录、故障处置案例、决策推理轨迹等，形成可复用、可追溯的知识体系，并在后续应用中快速调用、持续优化。
二、面向工业智能体应用的高质量数据集建设需求
数据是人工智能三大核心要素（算力、算法和数据）之一，数据集的质量直接决定了模型的鲁棒性、可信度及应用效果。随着工业智能体的加速演进，业界对数据集的规模、质量、多样性与适应性提出了更高要求。当前，迫切需要立足工业智能体的发展特征，建设符合工业领域场景需求的高质量数据集。
（一）适配多模态交互要求，实现多维度数据融合
当前，工业企业纷纷构建大数据中心，汇聚包含文本、图像、视频等在内的多模态数据，为工业智能体应用提供基础数据支撑。在此背景下，高质量数据集建设需突破单一模态数据的局限，满足多维度融合需求，实现多模态数据在空间、时间、语义层面的精准对齐，化解不同模态数据间的精度鸿沟，融合真实场景数据与仿真合成数据，补齐极端工况、长尾场景的数据短板，提升智能体在复杂工业环境中的泛化能力。
（二）适配多智能体协同架构，构建结构化数据体系
工业智能体通常采用“中枢智能体+边缘执行智能体+设备智能体”的分层协作架构，数据集需支撑这种复杂的协同决策机制，满足多智能体协同的训练需求，构建结构化数据体系，包含任务分工、交互流程、操作轨迹等完整关联数据，支撑多智能体协同决策。
（三）支撑长程任务与复杂推理，强化思维链数据沉淀
工业智能体需处理长周期、高复杂度的生产任务，对数据集的结构化与逻辑性要求极高，需满足长程任务与复杂推理的训练需求，构建思维链、推理轨迹、反思修正类数据，助力智能体提升复杂任务规划、逻辑回溯与错误纠正能力。
（四）强调场景贴合度与行业专业性，构建高保真数据集
工业智能体对数据的真实性、准确性、专业精度要求远高于通用AI，任何数据偏差都可能导致重大生产事故，需强化场景贴合度与行业专业性，深度贴合企业业务流程、行业规则与管理规范，具备强行业属性与高专业精度，满足企业级智能体落地需求。
三、面向工业智能体应用的高质量数据集建设存在的问题
近年来，国家层面高度重视高质量数据集建设，国家数据局发布《高质量数据集建设指引》，强调了高质量数据集建设对人工智能及智能体应用发展的重要作用。国家数据局数据显示，截至2026年一季度，全国已建成高质量数据集超过11.6万个，总体量超过960PB。尽管如此，当前面向工业智能体应用的高质量数据集仍然匮乏，数据集建设面临目标定位模糊、数据价值密度低、建设路径碎片化、技术底座薄弱化等问题，制约了工业智能体在高价值工业场景的深度应用。
（一）目标定位模糊化
一是需求分析缺失，高质量数据集建设常常陷入“为数据而数据”的误区，数据集建设与智能体训练需求脱节。随着工业智能体对多模态感知、动态任务规划、多轮数据交互等功能建设的需求增加，对数据集的类型、规模、精度及场景覆盖等建设要求不断提高。二是建设目标碎片化，企业普遍缺乏系统性规划，难以统筹数据供给、技术实施、安全合规、运营管理全环节目标，导致无法支撑智能体全域能力提升。三是场景适配定位模糊，无法聚焦智能体动态演化、长尾分布等关键场景，导致数据类型与场景覆盖失衡，难以支撑智能体训练和应用。
（二）数据价值密度低
一是原始数据质量不佳，工业采集的原始数据存在噪声、重复、无效信息占比高等问题，经过清洗、标注、融合后的有效数据占比偏低，存在大量冗余数据，导致智能体训练成本增加，训练效率降低。二是结构化核心数据缺失，当前大部分企业缺乏针对智能体建设“思考—行动—反馈”闭环的结构化数据，如思维链、决策轨迹等关键数据不足，导致数据无法有效支撑智能体的高阶认知、推理决策能力训练。三是数据孤岛现象突出，智能体训练需要多源数据融合，然而跨部门、跨企业、跨领域数据共享仍然难以实现，导致现有数据无法充分发挥协同价值。
（三）建设路径碎片化
一是工程项目管理体系不健全。缺乏针对智能体数据集建设的专业化项目管理流程，从数据采集到模型训练全环节缺乏系统性规划，导致多源异构数据标准难以统一、跨部门跨层级协作困难。二是商业化运营闭环未形成。数据集建设投入产出比例失衡，数据清洗、标注、维护的成本高、数据价值转化周期长，导致建设主体的积极性不足，难以支撑数据集的持续迭代与优化，从而无法形成适配智能体的长效数据供给体系。
（四）技术底座薄弱化
一是数据处理技术适配性不足。现有的数据处理技术难以应对工业智能体多场景建设需求，多模态数据处理技术不成熟，制约了模型迭代与规模化应用。二是存在智能化标注能力短板。当前数据标注仍高度依赖人工，半自动化、模型辅助标注工具的成熟度低，导致无法有效补充稀缺样本。三是模型与数据协同验证机制缺失。缺乏针对智能体能力的数据集动态验证体系，仅通过静态指标评估数据质量，无法通过模型训练效果反向优化数据。
四、面向工业智能体应用的高质量数据集建设路径
面向工业智能体的数据集建设，旨在充分契合智能体运行逻辑与工业实际业务场景，依托标准化、体系化的数据建设流程，打造兼具高真实性、高专业性、高适配性的行业数据集，全面满足工业智能体多模态感知、协同决策、复杂推理与自主迭代的发展需求。当前，我国工业领域数据集建设仍缺乏体系化、工程化、全流程的系统性实施路径，数据集建设与智能体实际应用需求脱节问题较为突出。为此，本文立足工业智能体应用特征与实际需求，遵循需求导向、合规可控、场景适配的基本原则，提出了高质量数据集建设的方法路径，主要涵盖数据需求、数据规划、数据采集、数据预处理、数据标注、模型验证等关键环节，为行业开展工业智能体数据集规范化建设提供清晰可行的实践范式。具体建设路径如图1。
图1 面向工业智能体的高质量数据集建设路径图
（一）数据需求
数据需求是立足工业智能体的具体应用场景，确定数据集在数据范围、内容、可用、质量等方面的需求，为后续建设工作划定清晰方向，避免盲目采集导致的数据冗余、质量不达标等问题。
一是确定数据集所需数据范围、内容。结合工业智能体的应用场景与核心功能，明确数据集所需数据的范围与内容，聚焦智能体感知、决策、执行全流程的核心需求，梳理形成数据需求清单。
二是检查数据集所需数据的可使用性。全面评估数据源的可获取性、合规性与适用性，确认用于特定工业智能体应用的数据是否可获取并使用。
三是构建数据集所需要的数据质量模型。明确数据质量评价指标体系，涵盖规范性、完整性、准确性、一致性、多样性、时效性等核心维度，设定各指标的质量阈值，为后续各环节质量管控提供量化依据，确保数据集能够有效支撑工业智能体模型训练与场景应用。
（二）数据规划
数据规划是通过科学的顶层设计，明确建设目标、核心原则、总体流程与实施计划，统筹协调人力、物力、算力等各类资源，提升数据集建设的系统性与高效性。
一是设计数据架构。界定所需数据的全部属性、来源、范围等，明确数据流转路径、存储方式与接口标准。
二是制定具体计划。制定涵盖数据采集、数据预处理、数据标注、模型验证等阶段的具体计划，明确各阶段核心任务、责任主体、时间节点与实施路径，同步制定数据质量计划，明确数据规范性、完整性、准确性等评价指标与管控措施。
三是工具与平台规划。规划适配工业智能体应用的专业化工具与服务平台，重点规划数据采集工具、自动化标注工具、数据质量检测工具、多模态数据融合工具等核心工具。
（三）数据采集
数据采集是结合预期数据源，采用科学的采集策略，实现多源异构工业数据的精准、高效、全面采集，同时保障采集数据的初始质量。
一是结合预期数据源确定数据采集策略。梳理工业智能体应用场景的各类数据源，明确各类数据源的采集范围、采集频率与采集方式，构建多源数据采集体系。
二是改进数据收集方法。如需收集新数据，则要测试数据收集方法，在必要时调整相关配置和参数设置、操作条件、传感器规格和安装位置等，以满足相关数据收集规范要求。
三是加强采集数据质量管控。对采集数据的完整性、准确性、时效性进行实时检测，对异常数据进行标记与初步处理，避免低质量数据进入后续环节。
（四）数据预处理
数据预处理通过一系列技术手段，对采集到的原始数据进行清洗、转换、整合与优化，去除无效数据、修正异常数据、统一数据格式，形成标准化、规范化的预处理数据。
一是数据转换。以最小的内容损失，将不同格式、不同类型的异构数据转换为统一的数据格式，实现数据的标准化。
二是数据验证。对数据的完整性、准确性、一致性进行全面核查，验证数据是否符合预设的质量标准，标记异常数据与无效数据。
三是数据清洗。检测错误数据或缺失数据，并通过替换、修改、输入或删除等方式修正数据。
四是数据聚合。将分散的、碎片化的数据按照一定的规则进行整合，形成结构化的数据集合，提升数据的关联性与可用性。
五是数据抽样。针对大规模数据集，采用科学的抽样方法，选取具有代表性的样本数据，在保证数据质量的前提下，降低数据处理成本与模型训练难度。
六是特征创建。结合工业智能体模型训练需求，从原始数据中提取、创建具有代表性的特征变量，增强数据的表达能力。
七是特征选择。筛选出与智能体模型训练相关度高、冗余度低的特征，剔除无效特征，提升模型训练效率与精度。
（五）数据标注
数据标注是指对数据添加说明、解释、分类或编码的过程，以便数据可以被人工智能算法所理解和使用，是向数据集注入人类知识的过程，是提升数据集质量的关键步骤。
一是明确数据标注规程规范。结合工业智能体的应用场景与模型需求，制定标准化的标注流程、标注规则与标注标准，明确标注内容、标注格式、标注精度要求，确保标注工作的规范性与一致性，避免因标注标准不统一导致的数据集质量下降。
二是确定所需的技能和资源。根据标注任务的复杂性，配备具备工业场景知识、熟悉标注规则的专业标注人员，同时引入自动化标注工具，结合人工标注与智能标注相结合的方式，提升标注效率、降低标注成本。
三是过程的监测和质量管理。建立标注质量核查机制，定期对标注数据进行抽样检查，评估标注精度、一致性与完整性，对不合格的标注数据进行返工修正，确保标注质量达标。
（六）模型验证
模型验证是形成“数据—模型—反馈—优化”闭环的关键，通过工业智能体模型训练与性能测试，评估所训练模型性能是否达到预期，验证数据集是否满足要求；若数据集未能使模型性能达到预期，需将相关问题反馈至有关上游阶段以提升数据质量，再进行模型验证以验证数据集是否满足要求。
一是数据质量验证。检查数据覆盖范围、样本量、缺失率，确保满足研发场景全覆盖要求，通过人工复核、交叉验证，验证数据标注准确率、参数精度，验证多源数据、多模态数据的对齐一致性，消除数据冲突，验证数据版权、隐私、安全合规性，确保符合数据安全法与行业规范。
二是模型适配性验证。聚焦工业智能体分层协作架构与核心应用需求，验证数据集与智能体模型的适配程度，验证数据集与模型算法的兼容性，检查数据格式、特征维度、结构化程度是否符合模型训练要求，确保数据能够被模型高效解析与利用；评估数据集规模与质量对模型训练效率、推理精度的影响，优化数据集冗余度与核心特征占比，实现数据集与模型的精准适配，提升模型运行效能。
三是场景化验证。结合工业智能体具体应用场景，搭建贴合实际工业环境的场景化验证平台，模拟真实生产工况与业务流程，开展模型实战化测试；验证模型在复杂场景、动态变化环境中的决策准确性与运行稳定性，评估数据集对场景化任务的支撑能力；重点测试模型在长程任务、异常工况下的表现，验证数据集是否能够支撑智能体实现逻辑回溯、错误纠正与自主优化，确保数据集与工业实际应用场景高度契合。
四是验证迭代机制。建立“验证—反馈—优化—再验证”的闭环迭代机制，明确验证流程、责任主体与时间节点，形成标准化的验证规范；对模型验证过程中发现的数据集问题，分类梳理并精准反馈至上游对应环节，制定针对性优化方案，如补充缺失数据、修正标注错误、优化多模态数据融合效果等；优化完成后，重新开展全流程模型验证，持续迭代提升数据集质量与模型性能，确保数据集能够持续适配工业智能体的迭代升级需求，为智能体长效稳定运行提供持续支撑。
五、推进面向工业智能体应用的高质量数据集建设的对策建议
随着工业智能体应用从初步探索迈向更为复杂、智能的高阶阶段，业界对高质量数据集的规模、多样性、时效性以及处理效率的要求将持续快速增长。展望未来，推进面向工业智能体应用的高质量数据集建设，应围绕数据工程能力、标准体系、技术创新、运营合规等方面持续发力，全面提升工业数据集专业化、规范化、智能化建设水平，以高质量数据集建设充分赋能工业智能体技术迭代升级与规模化落地应用，持续夯实制造业数智化转型数据根基，助力新型工业化建设稳步推进。
（一）打造功能完备的数据工程服务平台
推动行业龙头企业、第三方机构构建一体化全流程平台，打造“一站式”数据工程服务平台，实现数据集建设全生命周期可视化、规范化管理，全面提升数据集建设效率与质量管控水平。持续强化平台技术适配能力，深度嵌入自动化智能标注、多维度数据质量检测、数据结构化转换等专业化工具，依托智能化技术手段大幅降低人工投入成本，同时提升工业异构数据处理精度，破解数据标注效率低、质量参差不齐的痛点。建立安全可控的数据共享机制，在严守数据安全与合规底线的前提下，打破产业链上下游数据孤岛壁垒，有序支撑政府、制造企业、科研高校、数字化服务商等多元主体间的合规数据共享与协同创新，充分激发数据要素赋能工业智能体发展的内生动力。
（二）完善数据集工程能力相关的标准规范
立足工业智能体高保真、结构化、场景化的数据集需求，加快制定面向工业智能体应用的高质量数据集建设专用标准体系，系统性覆盖数据采集规范、专业化标注标准、多维度质量评价指标、统一格式接口、全流程安全合规要求等关键环节，为全行业数据集规范化建设提供清晰、统一的实施依据。结合汽车、高端装备、能源化工等重点行业工业智能体的差异化应用场景，分类制定场景化专项数据集建设实施细则，明确各行业特色数据的质量阈值、专业化标注范式与适配要求，显著提升标准的场景贴合度与实践指导性。主动推动数据集建设标准与工业智能体模型训练标准、工业数据安全标准、行业业务运行标准的深度协同衔接，打通各类标准间的衔接壁垒，构建相互兼容、协调统一的标准体系，以标准化建设引领数据集产业有序、健康、高质量发展。
（三）突破多模态数据融合关键技术
强化政策引导与市场激励，鼓励制造企业、科技企业加大核心技术研发投入，聚焦制约工业智能体数据集提质增效的技术痛点，集中力量重点突破多模态数据时空对齐、跨模态深度特征提取、虚拟仿真生成数据与工业现场真实业务数据融合复用等核心技术瓶颈，夯实多模态高质量数据集建设的技术根基。构建完善的技术验证与动态迭代机制，牵头搭建专业化多模态数据融合技术试验验证平台，结合典型工业应用场景开展技术试点落地，全方位核验技术的可行性、运行稳定性与实际应用成效，依托场景应用反馈持续优化技术路径与算法模型。推动成熟的多模态融合技术与行业公共数据工程服务平台、企业内部数据集建设运营实践深度融合对接，缩短技术成果转化周期，加快前沿数据处理技术从实验室研究走向工业现场规模化落地应用的步伐。
（四）强化数据集建设运营合规性
强化全流程合规管控，将合规要求贯穿数据集规划、建设、运营、流通、应用全生命周期，建立常态化合规自查、内部审核与风险防控机制，从源头规避数据采集滥用、隐私信息泄露、数据违规流转等各类合规风险。充分发挥行业协会的桥梁纽带作用，常态化面向制造企业、数据服务商等市场主体开展数据合规政策宣讲、专业技能培训与行业经验交流活动，持续提升全行业数据集建设参与主体的数据安全意识与合规运营能力，引导各方严格依据国家数据相关法律法规开展数据集研发、建设、运营与流通工作，营造安全有序、合规规范的产业发展生态。
参考文献
[1]任磊,王海腾,董家宝,等.工业智能体：体系架构、关键技术与未来展望[J].中国科学:技术科学,2026,56(3):492-506.
[2]王童,安丰柱,郝有为,等.人工智能高质量数据集的标准化建设：路径与对策[J].中国标准化,2026,(03):72-76.
[3]王瑞莹,李扬,陈杰浩.汽车行业高质量数据集建设调研与启示[J].中国发展观察,2025,(12):80-85.
[4]梁斌,张辰.推动钢铁行业高质量数据集建设的路径与策略[J].新经济导刊,2026,(Z1):127-131.
（左越系国家工业信息安全发展研究中心高级工程师；韩宇系国家工业信息安全发展研究中心工程师，为本文通讯作者；马冬妍系国家工业信息安全发展研究中心信息化所所长）