Plan First, Judge Later, Run Better: A DMAIC-Inspired Agentic System for Industrial Anomaly Detection

背景

大型语言模型（LLM）智能体在自动化复杂数据分析工作流方面展现出巨大潜力，但在高风险的工业场景中，其可靠部署仍面临严峻挑战。工业异常检测（Industrial Anomaly Detection, IAD）对于制造业的质量控制、安全生产和运营效率至关重要。

然而，现有的基于 LLM 的 IAD 智能体主要侧重于“执行”层面，往往忽视了“策略制定”这一关键环节。这种重执行、轻规划的模式导致智能体难以以统一且具成本效益的方式处理工业数据中常见的异构模态（如图像、时序信号、文本日志等）。由于缺乏结构化的问题解决框架，现有方法在面对复杂工业问题时，往往难以生成最优的检测策略，导致性能瓶颈和计算资源浪费。

核心内容

为了解决上述问题，研究团队受 DMAIC 质量管理框架（定义 Define、测量 Measure、分析 Analyze、改进 Improve、控制 Control）启发，提出了一种名为 DMAIC-IAD（DMAIC-Inspired Agentic Industrial Anomaly Detection）的多智能体系统。该系统遵循“先规划，后评判，运行更优”（Plan First, Judge Later, Run Better）的设计理念，旨在将 LLM 智能体与结构化的工业问题解决流程对齐。

DMAIC-IAD 的核心工作流程包含两个关键创新阶段：

1. 标准化程序提炼（SOP Distillation）： 在策略生成之前，系统首先将异构的参考资料（如历史故障记录、传感器数据规范、操作手册等）提炼为标准化的操作程序（Standard Operating Procedures, SOPs）。这一步骤确保了后续策略生成基于统一、结构化的知识基础，而非杂乱无章的非结构化数据。

2. 免执行预评判模型（Execution-Free Judge Model）： 传统方法在生成多种候选策略后，通常需要通过实际运行来评估其效果，这在工业场景中成本高昂且耗时。DMAIC-IAD 引入了一个预训练的“免执行评判模型”。该模型能够在不实际运行智能体的情况下，对候选策略进行排序和评估。通过这种方式，系统可以快速筛选出最具潜力的策略，从而大幅降低运行时成本并提高决策效率。

实验结果显示，在四种不同模态的数据集上，DMAIC-IAD 的平均检测性能比适用的智能体基线方法提高了 37.76%。这一结果证明了“先规划、后评判”范式在处理异构工业数据时的有效性和优越性。

关键要点

• 架构创新：提出了 DMAIC-IAD 多智能体系统，将 DMAIC 质量管理框架引入 LLM 智能体工作流，实现了从“盲目执行”到“结构化规划”的转变。
• SOP 提炼机制：通过先将异构参考数据转化为标准化的操作程序（SOPs），解决了多模态数据统一处理的难题，为策略生成提供了高质量的知识输入。
• 低成本策略评估：引入预训练的免执行评判模型，能够在不运行智能体的情况下对候选策略进行排序，显著降低了工业场景下的计算成本和响应时间。
• 性能显著提升：在四种模态的广泛实验中，DMAIC-IAD 相比现有智能体基线方法，平均检测性能提升了 37.76%，验证了其在高 stakes 工业场景中的可靠性。
• 解决异构性难题：该系统特别针对工业场景中数据模态异构（Heterogeneous Modalities）的特点，提供了一种统一且具成本效益的解决方案。

意义与影响

DMAIC-IAD 的提出标志着 LLM 智能体在工业应用领域从“通用探索”向“专业可靠”迈出了重要一步。其意义主要体现在以下几个方面：

1. 提升工业 AI 的可靠性：通过引入结构化的 DMAIC 框架和 SOP 提炼机制，系统减少了对 LLM 幻觉的依赖，提高了在关键工业任务中的决策一致性和可解释性。
2. 降低部署成本：免执行评判模型的应用解决了 LLM 智能体在实时工业系统中因频繁试错而导致的算力浪费问题，使得大规模部署成为可能。
3. 推动多模态融合：为处理工业中复杂的异构数据（图像、时序、文本等）提供了新的范式，证明了通过标准化中间表示可以有效整合多源信息。
4. 范式转变：“Plan First, Judge Later”的理念为其他高风险、高成本的自动化决策领域（如金融风控、医疗诊断）提供了可借鉴的方法论，强调了规划与评估在智能体系统中的核心地位。

总之，DMAIC-IAD 不仅是一个具体的异常检测工具，更是一种将传统工业质量管理智慧与现代 AI 智能体技术深度融合的创新实践，为构建更可靠、更高效的工业 AI 系统树立了新标杆。