北欧风电——代理人工智能中断响应系统
使用以下工具构建的代理AI系统 AWS基岩, 克劳德模型，以及 MCP工具 支持 安全、可解释且主动的中断处理 在风力涡轮机制造环境中。
该项目展示了人工智能代理如何通过组合来协助运营团队 推理, 安全执法，以及 结构化作战行动，而不是自主控制。
______________________________________________________________________
太长，读不下去了
一 北欧风力发电机制造的代理人工智能系统 使用 AWS基岩+克劳德+MCP工具 致：
- 检测生产中断
- 用可解释性诊断根本原因
- 实施安全第一的补救措施
- 自动创建维护工单
旨在减少 计划外停机时间（每次事件1万至5万欧元） 并防止 灾难性机械故障（10万欧元+避免损失） 通过主动、安全的人工智能决策。
项目概述
该项目展示了一个专为北欧风力涡轮机制造环境设计的代理人工智能系统，能够安全、可解释和主动地处理机械、供应链和运营中断。
为什么选择北欧风力发电机制造？
北欧风力涡轮机生产设施在以下条件下运行：
- 高价值机械部件（变速箱、主轴、轴承）
- 严格的欧盟安全和合规要求
- 寒冷气候操作限制
- 计划外停机成本高（每条线路每小时5000-10000欧元）
该系统通过执行安全第一代理决策、早期故障检测和自动化维护工作流程来适应这些条件。
关键能力
- 实时中断分诊 使用AI推理
- 可解释的根本原因分析（RCA） 基于历史数据
- 安全第一的补救计划 强制性人工审查
- 自动创建维护工单 通过MCP工具
- 企业级代理编排 使用AWS基岩
- 专为北欧风力涡轮机生产设施设计
______________________________________________________________________
代理工作流
- 事件分类代理\
对中断类型、严重程度和成本影响进行分类。
- 根本原因分析代理\
使用实时数据+历史背景进行可解释的诊断。
- 补救计划代理\
提出逐步恢复操作并估计停机时间。
- 安全保卫员\
执行安全规则，阻止不安全行为，并需要人工批准。
- MCP工具服务器
- query_history：获取历史事件 - create_maintenance_ticket：坚持已批准的行动
______________________________________________________________________
业务影响（估计，欧元）
- 通过即时AI分诊和诊断减少计划外停机时间\
→ 每次中断事件节省1万欧元至5万欧元
- 防止汽轮机齿轮箱和轴承发生灾难性机械故障\
→ 每次重大事故可避免10万至30万欧元的损失
- 提高了操作安全性和欧盟合规性\
→ 降低受伤风险、减少监管风险和保险成本
- 随着时间的推移，从事件中不断学习可以提高响应质量
业务影响估计基于公开报告的风力涡轮机制造和重工业装配线的行业基准。 实际节省取决于设施规模、生产量和故障严重程度。这些数字旨在说明现实的影响潜力，而不是保证的结果。
结果：\ 更安全的涡轮机生产、更高的设备可用性和可测量性 每个北欧制造工厂的成本节约。
问题陈述
风力涡轮机制造涉及安全关键机械和高运营成本。 传统的监控系统大多是被动的，只有在发生故障时才会向工程师发出警报。
本项目探讨了如何 AI 代理 可以：
- 检测并分类生产中断
- 解释可能的根本原因
- 提出安全补救计划
- 实施严格的安全约束
- 自动创建维护工单
______________________________________________________________________
系统架构概述
该系统被设计为使用AWS Bedrock和MCP工具的受控多代理AI工作流程，针对安全关键的北欧风力涡轮机制造环境进行了优化。
该项目的高级系统架构可在 docs/ 文件夹：
docs/AWS_Bedrock_Architecture.png
该系统遵循 混合式体系结构:
- 后端多代理系统（Python）
处理编排、安全门控和工具调用。
- 亚马逊基岩（克劳德模型）
为分诊、RCA和计划提供推理。
- MCP工具服务器
启用结构化操作（查询历史记录、创建工单）。
- 亚马逊基岩代理（UI）
作为一个互动 监督助理 对于人类操作员来说。
关键决策依然存在 人类可审查，人工智能辅助而非取代操作员。
______________________________________________________________________
端到端工作流
- 接收到中断事件（传感器或模拟输入）
- 事件分类代理
- 对类别、严重程度和成本影响进行分类
- 根本原因分析代理
- 使用当前数据+历史记录确定可能的原因
- 补救计划代理
- 提出逐步恢复行动
- 安全保卫员
- 执行LOTO、停机规则、PPE和隔离
- *MCP工具调用*\*
- 如果获得批准，则创建持久维护工单
______________________________________________________________________
安全第一设计
安全规则是 硬编码到代理行为中:
- 高/临界机械故障→ 强制停机
- 检查前需要上锁/挂牌（LOTO）
- 实施能源隔离
- 不安全时，降级操作被阻止
- 维护行动需要安全批准
______________________________________________________________________
亚马逊基岩代理（UI）
亚马逊基岩代理是作为 交互式监控界面.
操作员可以：
- 粘贴中断事件（JSON）
- 接收结构化的分诊、RCA和补救计划
- 询问后续问题以澄清
注意：后端执行直接使用Bedrock API。 UI代理充当人机交互界面。
______________________________________________________________________
项目结构
.
├── src/
│ ├── agents/ # Triage, RCA, Remediation, Safety agents
│ ├── utils/ # Bedrock + MCP clients
│ ├── orchestrator.py # Agent workflow coordination
│ └── main.py # Entry point
│
├── mcp_server/
│ ├── main.py # FastAPI MCP server
│ └── storage.py # History + ticket persistence
│
├── data/
│ ├── historical_events.json # Sample historical data
│ └── maintenance_tickets.json # Generated at runtime (gitignored)
│
├── requirements.txt
└── README.md
如何跑步
1.安装依赖项
pip install -r requirements.txt⚠️ 关于AWS Bedrock Agent UI聊天的说明
在测试期间，审阅者可能会注意到此代理的AWS Bedrock Console聊天界面没有返回响应，并可能显示授权错误（例如。， streamFinalResponse).
这种行为是 有意和预期.
为什么会这样
- AWS Bedrock Agent需要额外的IAM权限才能在Console UI中流式传输响应。
设计原理
- 反映真实世界的企业安全实践
- 防止从AWS控制台不受控制地使用LLM
- 展示对AWS IAM、基岩执行角色和代理治理的理解
- 将评估重点放在系统行为和架构上，而不是UI交互上
CLI测试结果（多代理执行）
以下屏幕截图显示了系统的完整端到端执行 通过Linux CLI验证，证明所有代理都按顺序运行：
- 事件分类
- 根本原因分析（带MCP历史查找）
- 补救计划
- 安全保卫执法
- 自动创建维护工单
Agentic AI CLI Demo Agentic AI CLI Demo
这种基于CLI的验证反映了现实世界的生产测试， 其中代理是以编程方式执行的，而不是通过 交互式控制台聊天。
数据源
此演示是有意设计的 受控、可审计的数据源 因此，代理工作流可以端到端进行测试，而不需要实时工厂集成。
1） 传入中断事件（遥测输入）
来源： src/main.py （示例事件）
管道从模拟的生产事件（代表IoT/SCADA/MES遥测）开始，例如振动尖峰、温度异常或供应延迟。
2） 历史背景（MCP工具）
来源： data/historical_events.json\ 访问方式： MCP工具服务器端点 POST /tools/query_history
被使用 RCA代理 利用同一机器/问题类型的先前事件丰富推理，实现可解释和可重复的根本原因假设。
3） 维护票（产生的输出）
来源： data/maintenance_tickets.json （在运行时生成；通常为gitignored）\ 创建方式： MCP工具服务器端点 POST /tools/create_maintenance_ticket
创建票证 只有在安全警卫批准的情况下 补救计划。各售票处：
event_id,machine_id,severity,category- 根本原因总结
- 建议的操作
- 时间戳和票证状态
4） 外部模型推断（AWS基岩）
来源： AWS Bedrock运行时（从Python调用Claude模型）
所有代理推理（分诊、RCA叙述、补救计划、安全审查）都是通过基岩模型调用进行的。CLI演示是此项目的主要验证界面。
注： AWS控制台聊天不是此系统的主要界面。\ 该项目强调 代理工作流程、可解释性和安全控制的自动化.