行业核心观点 - 基于大语言模型的AI辅助决策技术正推动大气污染防治从“人找数据”到“数据找人”、从“被动响应”到“主动预警”的决策模式变革 [1] 技术应用与初步成效 - 北京市大兴区生态环境局已构建多个空气质量分析智能体，形成“感知—规划—执行—呈现”的智能闭环流程 [2] - 系统能深度理解自然语言提问，例如准确识别“大兴黄村站点昨天下午的污染原因”中的时间、空间和业务意图，并自动关联气象数据、源解析结果和周边污染源信息 [2] - 大语言模型能规划生成最优分析路径，例如将“分析北京北燃热力有限公司当前排放对周边影响”的请求分解为子任务，并自动调度数据查询、模型计算等智能体协同响应 [2] - 系统深度整合多源数据与业务功能，可一键调用扩散模拟、轨迹分析等专业模型进行多证据链综合分析 [2] - 系统可生成包含时序变化、空间分布、源解析占比的专业图表，并结合气象条件和周边源分布给出污染物排放方位等具体研判结论以及巡查重点建议 [3] - 通过交互式地图直观展示污染扩散范围和重点排查区域，提高了决策支持效率 [3] 现存问题与挑战 - 大语言模型存在“编造”专业数据、结论的风险，影响决策准确性 [4] - 通用大模型的专业知识和本地数据更新滞后，知识库更新维护成本高 [4] - 专业推理能力不足，难以替代基于物理化学规律的机理模型进行复杂数值预测和溯源反演 [4] - 处理长序列历史数据、高分辨率模型输出、多轮对话时，可能受限于上下文窗口长度 [4] - 智能体应用多集中于数据查询和简单规则判断，在复杂决策场景下的准确性有待提升 [4] - 智能体“思考”过程难以通过深度关联、因果推断进行多源数据融合分析，决策过程不透明，可解释性差 [4] - 智能体的稳定性、可靠性、灵活性高度依赖高质量的流程编排、提示词和知识库，需要复合型人才进行设计、优化和维护 [4] - 数据种类多源异构、质量参差不齐，直接影响智能体判断和模型模拟结果 [5] - 智能体与专业机理模型之间处于“浅层调用”或“结果拼接”阶段，未能实现深度交互与迭代优化纠偏 [5] - 智能分析结果多停留在辅助信息展示层面，尚未形成自动化、智能化的“决策—行动—反馈”业务闭环 [5] 系统优化与成果应用 - 公司强化知识库建设，应用检索增强生成技术，构建覆盖政策、标准、源谱、案例的领域知识库，确保大语言模型生成内容基于本地、权威、最新信息 [6] - 优化推理规划，采用更先进的推理框架和提示词策略，让智能体具备多步骤推理和规划能力 [7] - 加强智能体的可解释性设计，要求其清晰展示推理依据、数据来源和关键计算步骤 [7] - 提升数据治理水平，加强监测设备运维与数据质控，以统一的数据中台对多源异构数据进行标准化处理 [7] - 将关键大气机理模型进行封装和微服务化改造，提供标准、高效的API接口，实现模型的“即插即用”“按需调用” [7] - 深耕典型应用场景形成可复制的解决方案，将智能体分析结果与执法、调度、减排等业务管理系统对接，实现全流程智能化闭环管理 [7] - 设计反馈闭环，允许用户对智能体输出结果进行评价和纠正，并利用反馈持续优化模型和提示词 [7] - 建成业务化运行的AI辅助决策平台，基于国产大语言模型智能调度，集成“精准问数、自助问答、智能问诊”三大功能，由十余个专业智能体协同工作 [8] - 形成可复制的技术方法论，验证了以大语言模型为智能调度中枢串联多智能体解决复杂大气问题的技术路径 [8] - 建立了多数据、多模型交叉溯源模式，融合风场分析、源解析、污染源清单和遥感数据，可生成含溯源路径和概率判断的智能诊断报告，并关联处置建议 [8] - 将以往需要点击多页面的分析工作精简至一个会话框内，数据搜集与分析效率极大提升 [8] - 在污染过程中可在5分钟内初步完成溯源定位 [8] - 通过多源数据与专业模型融合呈现，增强决策科学性，推动从“经验治污”向精准治污、科学治污转变 [8] 未来展望 - 应用场景将从单一监测与溯源拓展至跨区域联防、应急响应推演、减排成效评估与公众服务，形成覆盖“监测—研判—治理—评估—反馈”的全链条体系 [9] - 溯源分析在功能上将从单点定位迈向多源因果链推理，由扩散模拟逐步提升为更高时空分辨率的动态推演，并引入不确定性量化 [9] - 决策支持将从静态结论展示迭代为可解释、可执行、可反馈的行动方案推送 [9] - 随着多源数据深度融合、机理模型与大语言模型的紧密耦合，一个集智能感知、动态推演和精准调度于一体的“大气环境超脑”将逐步成型 [9]