超越聊天机器人：使用 Altair 构建代理应用程序 Mendix | Mendix

跳到主要内容

站内搜索

联系我们
免费试用

超越聊天机器人：使用 Altair 构建代理应用程序 Mendix

超越聊天机器人：使用 Altair、MCP 和构建代理应用程序 Mendix

关键要点

  • MendixAltair Graph Studio 和 MCP 共同创建了一个强大的新架构，可以将分散的企业数据转化为智能的、可操作的见解。
  • 知识图谱用业务上下文关系取代了复杂的数据库连接，帮助人工智能代理理解您的系统是如何实际连接的。
  • MCP 充当可重用的集成架构——只需构建一次 AI 功能，即可将其部署到任何地方，而无需重写代码。
  • 提出类似这样的自然语言问题 哪个班次的缺陷率最高？ 几秒钟内即可获得根本原因分析结果。

打破企业数据孤岛

在典型的制造环境中，您的数据环境是分散的。产品结构存储在产品生命周期管理 (PLM) 系统中（例如）。 Siemens 团队中心）。订单和库存信息存储在 ERP 系统（例如 SAP）中。客户互动信息存储在 CRM 系统（例如 Salesforce）中。然后还有…… Mendix 旨在填补空白并实现车间流程数字化的应用程序。

每个系统在其擅长的领域都非常出色。但是，当工厂经理或质量工程师提出跨领域问题时，例如——“质量缺陷是否与特定班次相关？哪些机器是罪魁祸首？ – IT 团队仍然忙于将 SQL 导出、电子表格和一次性集成整合在一起。
这正是问题所在： MendixAltair Graph Studio 和由模型上下文协议 (MCP) 支持的 GenAI 代理构成了一个全新的、强大的架构。

为了展示这三项技术如何融合，使我们从静态报告过渡到智能人工智能，我们构建了一个名为 Evora 的综合制造运营应用程序。

新技术栈：低代码、知识图谱和 MCP

在深入探讨用例之前，让我们先定义一下使这种架构成为可能的三个核心要素。

1. Altair Graph Studio：语义结构

在传统的制造数据库中，你思考的是表和连接。而在 Altair Graph Studio 中，你思考的是实体和关系。它不再仅仅关注第 402 行与第 881 行的匹配，而是通过图来理解业务上下文：

  • Assembly→ 由...组成 → Components
  • Machine→ 由操作 →Operator
  • Defect→ 发生于 →Shift

Graph Studio 将成为您企业的地图，从 Teamcenter、SAP 等平台导入数据。 Mendix并用本体（对您的业务概念如何相互关联的正式描述）来丰富它。

Altair Graph Studio 的屏幕截图，展示了组件、部件和事件之间的关系，从而在您的数据中创建语义结构。
Altair Graph Studio 可视化组件、部件和事件之间的关系，在您的数据中创建语义结构。

2. Mendix编排层

Mendix 仍然是“前门”和控制平面。在这种架构中， Mendix 它不仅仅是一个用户界面；它是代理程序与操作协同运行的环境。它承载着质量工程师审查分析结果的门户，并且至关重要的是，它还能触发工作流程来解决问题（例如，创建维护工单或标记批次）。

3. MCP：代理的标准语言

这才是真正的变革。模型上下文协议 (MCP) 是一种开放标准，它允许你以一致的方式向大型语言模型 (LLM) 公开数据和工具。你无需在聊天机器人和数据库之间硬编码集成，而是构建一个 MCP 服务器。该服务器充当目录，告诉人工智能：“以下是我拥有的工具（例如，execute_sparql_query,get_quality_metrics），以下是它们的使用方法”。

“埃武拉”案例：工厂车间的根本原因分析

让我们来看一个实际例子。在我们的演示应用 Evora 中，我们跟踪多个工厂的生产数据，包括装配记录、底盘数据和操作员日志。

一张屏幕截图，展示了 Evora 应用程序如何在美国地图上提供统一的制造运营视图，该应用程序由……提供支持 Mendix.
Evora应用程序提供统一的制造运营视图，由……提供支持 Mendix.

该问题

质量工程师注意到指标出现下滑，但不知道原因。传统上，找出根本原因需要查询三个不同的系统，或者请数据分析师按班次、机器和操作员对数据进行切片分析。

代理应用程序解决方案

直接嵌入在 Mendix 该应用程序是一个人工智能代理。由于我们已通过 MCP 服务器公开了 Altair 知识图谱，工程师只需提出以下问题：
“质量缺陷是否与特定班次相关？哪个班次的缺陷率最高？”

内部究竟发生了什么？

这就是“智能体”发挥作用的地方。逻辑学习模型（例如 Claude Sonnet 或 OpenAI GPT）会分析意图。它意识到自己没有记住这个答案，但它在其 MCP 工具包中找到了可以查询图的工具。

  1. 推理过程：代理构建一个对知识图谱的查询，以获取按班次分组的缺陷计数。
  2. 执行过程：MCP 服务器对 Altair Graph Studio 执行查询。
  3. 关键在于：图表返回原始数据，而代理则将其综合成一个清晰的答案。
屏幕截图显示了 AI 代理查询知识图谱以在几秒钟内执行根本原因分析并识别与缺陷相关的特定变化的结果。
AI代理查询知识图谱，在几秒钟内执行根本原因分析，识别与缺陷相关的特定变化。

工程师随后可以进行后续跟进： “深入调查夜班的情况。是哪台机器出了问题？” 代理只需再次调用必要的图工具来完善答案即可。

一次编写，到处运行：MCP 的强大功能

它比标准API集成好在哪里？因为它具有可移植性。
因为逻辑封装在 MCP 服务器中，所以使用了完全相同的功能 Mendix 该应用可以集成到其他AI客户端中，无需重写任何一行代码：

  • In Mendix车间工人使用代理程序实时排除故障。
  • 在 Altair Agent Studio 中：数据科学家使用相同的图连接来构建新的分析流程原型。
  • 在 ChatGPT/Claude Desktop 中：企业架构师可以连接到“Evora Graph MCP”，询问有关数据模型的高级架构问题。
图示展示了 MCP 架构如何将 AI 模型与后端工具解耦。
MCP 架构将 AI 模型与后端工具解耦，使您可以在不同的应用程序中重用“集成架构”。

你不是在构建聊天机器人；你是在构建一个可重用的原生人工智能集成架构。

为什么这与制造业IT息息相关

对于 Siemens 该架构针对客户和工业企业，解决了三个关键挑战：

  1. 把握上下文，化繁为简：它超越了简单的文档搜索。通过使用知识图谱，人工智能能够理解您的物料清单和流程结构，从而减少错误信息，提高准确性。
  2. 治理：由于人工智能是通过 MCP 服务器访问数据，因此 IT 部门可以精确控制人工智能可以看到和执行的操作。您无需将数据库直接上传到公共 LLM；而是为智能体提供特定且受控的工具。
  3. 敏捷： Mendix 它能够快速构建用户界面和工作流程，将这些人工智能洞察转化为现实世界的行动，例如暂停生产线或安排操作员再培训。

前进的道路

Evora 的演示证明，工业软件的未来不仅仅是收集数据，更重要的是综合利用数据。通过结合 Mendix 为了提供体验，Altair 提供语义上下文，MCP 提供连接性，我们正在进入代理应用程序的时代——这些应用程序不仅显示数据，还能帮助你理解数据并采取行动。

选择你的语言