AssetOpsBench快速上手教程30分钟让第一个工业AI代理跑通真实场景【免费下载链接】AssetOpsBenchAssetOpsBench - Industry 4.0: A unified benchmark and framework for building, orchestrating, and evaluating domain-specific AI agents for Industry 4.0 asset operations and maintenance, with 460 scenarios, 5 specialist agents (IoT, FMSR, TSFM, Work Order,...), and multi-agent orchestration blueprints (MetaAgent, AgentHive) over MCP.项目地址: https://gitcode.com/gh_mirrors/as/AssetOpsBench写代码、搭环境、调模型这些事你可能都熟。但让AI代理去查一台冷水机组的传感器、分析它的故障模式、再顺手生成一张工单——听起来像科幻片其实AssetOpsBench已经把这套工业AI代理的开发、编排和评测流程做成了开箱即用的工具包。这篇AssetOpsBench快速上手教程会带你以给Chiller 6做一次巡检为任务线从零开始把环境跑通。没有晦涩论文只有可复现的命令和真实路径。全程约30分钟跟着走就行。先搞清楚这仓库到底给你省了什么活工业运维场景里的数据散落在各种系统里IoT遥测、FMEA故障库、工单记录、振动频谱……你想让大模型代理替你做分析首先得让它够得着这些数据。AssetOpsBench的做法是用MCP协议把数据封装成6个领域服务器代理按需调用工具就像拨打电话一样简单。核心组成如下这些在src/servers/下都有对应源码领域服务器覆盖能力代表性工具iot站点、资产、传感器查询iot.sensors、iot.assetsfmsr故障模式识别与生成get_failure_modes、add_failure_modestsfm时间序列预测、微调、特征工程41个工具run_tsfm_forecasting、list_taskswo工单查询、分布统计、预测get_work_order_distribution、generate_work_ordervibrationFFT频谱、包络谱分析compute_fft_spectrum另外项目还内置460工业场景和7个代理运行器后面会逐个用到。开工前先把这三样弹药备齐安装环节其实就三个前置条件缺一不可检查项怎么装验收标准Python 3.12官网安装包或系统包管理器python --version输出3.12.xuv包管理器curl -LsSf https://astral.sh/uv/install.sh \| shuv --version有输出DockerDocker Desktop或引擎docker ps不报错没有Python 3.12先升级再回来否则uv sync会直接拒绝工作。二十分钟装好环境其实只有四步把仓库拉下来其余交给命令git clone https://gitcode.com/gh_mirrors/as/AssetOpsBench cd AssetOpsBench第一步让uv创建虚拟环境并装齐全部依赖含所有CLI入口uv sync第二步复制环境模板并填上密钥。CouchDB的默认配置开箱即用只有WatsonX那两项是计划执行器必需的cp .env.public .env # 编辑.env填入 WATSONX_APIKEY 和 WATSONX_PROJECT_ID第三步启动CouchDB——工业数据都躺在里面docker compose -f src/couchdb/docker-compose.yaml up -d容器起来后用一行命令确认数据库活着curl -X GET http://localhost:5984/看到JSON返回含couchdb:Welcome就算过关。第四步其实不用做——MCP服务器是代理按需拉起的stdio子进程不需要手动启动。第一次对话让代理去看Chiller 6的传感器环境就绪后输入这条命令试试水uv run plan-execute What sensors are on Chiller 6?plan-execute会先生成计划、再逐个调用工具、最后汇总答案。你会在输出里看到它调用了iot.sensors并列出传感器列表。如果加上--show-plan标志还能偷看它的规划过程。想换别的大脑7个运行器对应不同技术栈默认模型各有侧重运行器定位默认模型plan-execute结构化任务计划-执行-汇总watsonx Llama-4-Maverickclaude-agentClaude Agent SDK驱动claude-opus-4-6openai-agentOpenAI Agentsgpt-5.4deep-agentLangChain DeepAgents长程任务claude-opus-4-6stirrup-agent能写代码并执行Pythonwatsonx Llama-4-Maverickopencode-agentOpenCode CLI可开工作区tokenrouter模型direct-llm-agent无工具基线纯模型调用gpt-5-mini想试其他模型用--model-id指定即可例如uv run plan-execute --model-id watsonx/ibm/granite-3-3-8b-instruct ...。加大难度一次问清跨领域的问题单领域查询只是开胃菜。真正的工业场景往往是多步的比如这句queryWhat is the current date and time? Also list assets at site MAIN. Also get sensor list and failure mode list for any of the chiller at site MAIN. uv run deep-agent $querydeep-agent会跨utilities、iot、fmsr三个服务器协同调度自动拆解子任务。想观察每一步的推理过程加--show-trajectory即可。如果你不想让LLM参与调度比如做数据管道或测试项目还提供了纯Python客户端mcphub用同样的服务器、不带模型直连调用from mcphub import ToolUniverse tu ToolUniverse() tu.load_tools(servers[iot, fmsr, wo]) result tu.run({ name: iot.sensors, arguments: {site_name: MAIN, asset_id: Chiller 6}, }) tu.close()完整的可运行示例在examples/quickstart_tooluniverse.py执行命令是uv run python examples/quickstart_tooluniverse.py。它还内置了chiller_triage这样的多工具工作流传感器→故障模式→映射→工单一行tu.run({name: chiller_triage, arguments: {asset_id: Chiller 6}})就能跑完整个巡检链路逻辑定义在src/mcphub/workflows.py。想看代理怎么想的打开追踪开关默认情况下运行完就结束了。想留下证据设置两个环境变量即可AGENT_TRAJECTORY_DIR./traces/trajectories \ OTEL_TRACES_FILE./traces/traces.jsonl \ uv run deep-agent --run-id bench-001 --scenario-id 304 $query--run-id本次运行的唯一标识评测时靠它关联--scenario-id给运行打上场景标签方便批量归组轨迹每轮思考、工具输入输出、token消耗落盘成JSON痕迹OpenTelemetry span单独成文件。给代理打分离线评测闭环有了轨迹就可以离线评分不用重新跑代理。三步闭环运行→保存轨迹→evaluate评分。export AGENT_TRAJECTORY_DIR$(pwd)/traces/trajectories uv run claude-agent List all failure modes of asset Chiller. --scenario-id 101 uv run evaluate \ --trajectories traces/trajectories \ --scenarios groundtruth/101.json \ --scorer-default llm_judge \ --judge-model litellm_proxy/azure/gpt-5.4评测器用六个维度的判分标准LLM-As-Judge逐项打分结果输出到reports/目录。注意一点裁判模型不能和被测轨迹用的模型是同一个否则评测器会直接拒绝。评分器细节见docs/evaluation.md。卡住了三个高频问题的对症下药uv sync卡在下载依赖。先确认Python版本≥3.12再清缓存重试uv clean uv sync --verboseCouchDB起不来。多半是5984端口被占。先看容器状态再检查端口docker ps lsof -i :5984代理连不上MCP服务器。检查.env里的COUCHDB_URL、WATSONX_APIKEY等变量是否拼写正确用tokenrouter/*模型时还需设置TOKENROUTER_API_KEY和TOKENROUTER_BASE_URL。跑通之后推荐做这两件事第一件跑一遍官方精选场景集感受批量评测的爽感。benchmarks/scenario_suite/lite.yaml里预置了car、fcc、fmsr、health、wosr五个分类的精选场景uv run python -m benchmark.scenario_suite_runner \ --scenario-ids lite \ --scenario-root /path/to/scenarios_data \ --agent_name direct_llm \ --model-id tokenrouter/MiniMax-M3第二件把手头的设备数据接进来。项目欢迎大家贡献新场景格式参考docs/guideline/utterance_design_guideline.md和docs/guideline/ground_truth_design_guideline.md任务类型可覆盖RUL估计、根因分析、预测性维护等方向。环境装好后别忘了先跑一遍uv run pytest src/ -k not integration确认基础无恙。工具全量清单在docs/mcp-servers.md观测配置在docs/observability.md——先动手跑通那个巡检任务剩下的疑问答案都在里面等着你。【免费下载链接】AssetOpsBenchAssetOpsBench - Industry 4.0: A unified benchmark and framework for building, orchestrating, and evaluating domain-specific AI agents for Industry 4.0 asset operations and maintenance, with 460 scenarios, 5 specialist agents (IoT, FMSR, TSFM, Work Order,...), and multi-agent orchestration blueprints (MetaAgent, AgentHive) over MCP.项目地址: https://gitcode.com/gh_mirrors/as/AssetOpsBench创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考