连接矿山数字系统与物理执行的
智能操作层
向下连接已有系统与物理设备， 向上服务真实岗位， 中间组织数据、本体、模型、智能体与动作闭环。 核心不是单点 AI 应用，而是让矿山从「看见」走向「理解、组织、执行、学习」的智能操作层。
F·AI 系统架构 · 三明治分层
顶层是 7 个角色化智能工作台；中间是 MineAgentOS 智能体操作系统；底层连接现场系统与具身终端。
围绕「理解 → 组织 → 执行 → 学习」运行的自治闭环
MineAgentOS 的价值不是单点功能，而是把矿山运营变成可理解、可编排、可执行、可学习的系统。
把数据变成对象、状态与预测
传统大数据让矿山「看见」自己；F·AI 的数据智能让矿山理解自己、推演自己、优化自己。
多源异构数据接入与治理 → 时空对齐 → 统一状态表达；让 AI 真正接入数据。
对象 / 关系 / 状态 / 动作 四元素让 AI 认识矿山——回答「这是什么、和谁有关、能做什么」。
六层知识池（法规 / 标准 / 案例 / 设备 / SOP / 组织流程）+ Skill 技能模块。
LLM + VLM + Time-Series + World Model + Optimization + VLA / Policy + Rules 七位一体。
空间状态 / 风险演化 / 未来预测——把矿山过去-现在-未来连成一条可推演的时间轴。
单个智能体可能局部正确，矿山需要全局最优
Mine Orchestrator 是全局运营编排智能体—— 不替代专业智能体，而是组织它们围绕同一个矿山目标协同工作。
全局运营编排智能体，围绕多目标约束（安全 / 产量 / 成本 / 设备 / 能源 / 风险）协调专业智能体。
安全 / 生产 / 调度 / 设备 / 地质 / 经营 / 应急 / 无人装备协同——8 类专业智能体覆盖矿山全条线。
矿长 / 调度员 / 安全员 / 维修员 / 地质工程师 / 经营管理 / 机器人管理员——7 个角色化智能工作台。
从建议到执行，每个动作都必须可授权、可审计、可回滚
AI 不直接接管矿山，而是在安全边界内推动真实业务和物理动作闭环。 五个模块（09–13）从可审计动作到具身执行依次承接。
AI 生成方案 → 风险分级 → 权限校验 → 人工确认 → 执行 → 审计 / 回滚 全链路闭环。
Desired State vs Current State 持续比对 → 偏差识别 → 智能体纠偏，把矿山管成可声明的目标系统。
规则校验 / 权限边界 / 风险等级 / 人工确认 / 审计追踪 / 降级策略——六道护栏。
把无人矿卡 / 无人钻机 / 巡检机器人 / 无人机 / 机械臂变成可编排的具身智能终端。
任务下发 → 本地感知 → 动作执行 → 异常接管 → 结果回流，跨品牌跨设备跨系统统一编排。
矿山不能靠真实事故训练 AI
必须用影子模式和仿真合成数据形成安全学习飞轮。 真实数据、专家偏差、仿真长尾和执行反馈共同驱动 F·AI 的学习飞轮。
AI 后台并行运行不下发指令，记录与专家决策的偏差——先后台学习，再逐步授权执行。
方案在仿真世界先跑一遍，验证风险与收益，再回到真实矿山执行。
边坡失稳 / 突水 / 瓦斯异常 / 皮带撕裂 / 矿卡制动异常等高危场景靠合成数据补齐。
真实运行结果回流，驱动模型 / Skill 迭代更新，闭环到下一轮学习飞轮。
矿山模型栈 + 云-边-端三级协同部署
不是把所有问题交给一个通用大模型，而是构建大模型、专用模型、小模型和规则模型的协同体系。Large Models + Domain Models + Small Models + Rules = Mine Physical AI。
规程理解 / 复杂推理 / 任务分解
视频巡检 / 违章识别 / 场景解释
空间状态 / 风险演化 / 未来预测
故障预测 / 能耗预测 / 异常检测
调度优化 / 路径规划 / 多目标约束
机器人任务理解 / 动作规划 / 局部控制
安全边界 / 合规约束
- 行业模型训练
- 世界模型训练
- 合成数据工厂
- 跨矿山学习
- 长期策略优化
- 现场低延迟推理
- 视频识别
- 安全预警
- 局部调度
- 机器人任务编排
- 离线可用
- 目标检测
- 异常检测
- 路径跟踪
- 避障
- 设备健康
- 紧急停车与降级策略
把无人装备变成可编排的具身智能终端
F·AI 不替代硬件厂商，而是做跨品牌、跨设备、跨系统统一编排。
工程方针 · 原生编排优先 + 社区生态复用
13 个模块在底层全部基于自研编排引擎实现：Workflow / Skill / Memory / HITL / Subagent / Streaming —— 已实现的能力一律不重做。 工程精力集中在矿山垂类知识、Ontology 建模、协同语义、合规护栏与学习飞轮上。
两阶段前置编排：router 模型先判意图，非 greeting 才拉 RAG + 完整 agent — 同样对话成本可能差 10×
user / agent / workspace 三层 namespace，跨会话长期记忆走专用状态存储
Skill = 结构化 markdown 技能模块；Workflow = YAML → 可声明状态机