ChemE‑as‑Code:面向化工领域智能体AI的开源平台

arXiv编号:arXiv:2611.07947v1 [cs.AI]

摘要
ChemE‑as‑Code是一套开源环境,基于大语言模型构建的AI智能体可在该平台内完成化工工程工作,同时支持工程师对智能体产出开展复核校验。平台集成的计算工具覆盖催化反应、流程仿真、工厂布局、危险与可操作性分析HAZOP以及生命周期评估LCA;通过**技能(Skills)**指令集,通用智能体可以调用上述全部工具。
全部工程文件相互关联、机器可读,并通过Git进行版本管理;计算任务在大模型外部独立执行,每一个计算数值均记录来源溯源信息;自动化检查脚本可以按照文件与代码行报告数据不一致、结果过期等问题。
以氨合成工厂作为演示案例:智能体根据文本任务需求,产出一套初步基础工程包,包含仿真文件、管道仪表流程图P&ID、工厂布局、HAZOP分析、设备数据表、泄压安全方案;整套设计会话API调用成本为224美元。
通过植入故障与模拟工程变更的测试表明:自动化检查工具仅能够发现规则覆盖范围内的问题,无法识别其余缺陷;该工具用于辅助人工审阅,并不能替代工程师审核。本案例产出的设计方案尚未经过独立化工工程师评审。

关键词
智能体AI;大语言模型;Plant‑as‑Code;流程设计;P&ID管道仪表流程图

目录

  1. 引言
  2. 相关工作
  3. AI加速的ChemE‑as‑Code范式五大转变
  4. ChemE‑as‑Code开源平台系统设计
  5. 氨合成工厂端到端演示案例
  6. 测试:植入故障与工程变更场景
  7. 讨论
  8. 结论
  9. 附录简要说明

1 引言

生成式人工智能有望重塑化学工程行业。AI智能体已经不再局限于问答,具备调用工具、编辑文件、迭代优化自身输出结果的能力,因此越来越多的工程任务可以交由计算智能体完成提案、执行与修订。
软件开发领域已经证明该范式的价值:AI助手可以加速定义清晰的编程任务,智能体独立完成的任务复杂度持续提升。软件团队可以使用智能体,是因为软件开发产物本身就是可版本控制的文本文件,能够运行自动化测试进行校验。如果化工工程工作也转变为同类形式,化工流程工程同样可以从中获益。

但是化工工程实现这一范式远比软件行业困难。一套化工厂设计包含大量耦合文档:流程模型、技术规格、工艺流程图PFD、管道仪表流程图P&ID、设备数据表、工厂布局、安全研究、环境清单。其中P&ID管道仪表流程图是工厂全生命周期的核心参考文档,但目前大多依靠人工绘制。各类文档之间存在依赖关系,却很少显式记录。
当某一项参数发生变更(例如提升设计产能),会悄无声息地让仿真、图纸、设备参数、布局、安全分析、环境清单内的相关数值全部失效,但现有体系并不会提示工程师哪些文件受到影响。大量流程信息仍然存储在非数字化文档,变更带来的影响难以评估。
集成信息模型、数据交换标准、数字线程技术缓解了部分痛点,可以实现工具之间的数据交换,但无法在整个项目的每一个版本下记录:哪些结果之间仍然保持一致、哪些已经过期、哪些内容经过人工审核。

AI智能体的普及进一步放大该问题:智能体会生成数量远超人类可读的修订方案,输出内容看似合理,但实际上存在错误。早期流程图、P&ID生成系统(从规则系统到学习模型)同样存在局限:仅产出部分设计内容,缺少背后决策逻辑,脱离完整工程工作流。随着智能体提案速度加快,验证环节成为工程工作的主要瓶颈。

关于智能体组织模式,已有综述提出可以参照工程组织架构,为每个专业领域配置专用智能体团队。本文采用另一条技术路线:领域知识封装为技能(Skills)与工具(Tools),单个通用智能体根据任务加载所需要的技能。

  • 技能Skill:简短指令文件,告诉智能体如何执行一项工程任务;
  • 工具Tool:执行计算或者校验的可执行程序。

工程知识保存在工程师可读、可测试、可版本管理的文件中,不与特定智能体、特定大模型绑定;同时降低多智能体系统内部复杂协同带来的失效风险。对于评审等需要独立隔离的场景,仍然可以使用独立会话。两种方案孰优孰劣,仍有待对照实验研究。

智能体所能带来的效率提升,高度依赖其运行的工程环境。本文提出ChemE‑as‑Code开源平台,该平台实现Plant‑as‑Code思想,将适用范围从流程工厂设计拓展至过程化学、仿真、技术经济评估TEA、生命周期评估LCA。名称含义:把化学工程工作视作代码进行管理。早期工业试点项目已经观察到设计迭代速度大幅提升,ChemE‑as‑Code将该思路开源、拓展、提供可测试实现。

平台两大基础支柱:

  1. 整套工厂项目存储在Git版本库,全部文件相互关联、机器可读;从设计基础条件(产品、产能、进料、厂区、公用工程)一直到生命周期清单。每一次版本变更都会运行自动化检查;每一个计算数值附带完整溯源记录,称为该修订版本的证据(evidence)。
  2. 开放的计算工具与智能体技能集,覆盖化工多尺度任务:催化反应动力学、设备设计、工厂布局、HAZOP、LCA生命周期评估。

工程师与AI智能体使用同一套文件与命令行开展工作;推荐工作流中,人类工程师需要审阅版本对应的证据记录,再接受该修订。本文认为创新点在于将能力完备的智能体,和专门面向智能体设计的工程环境相结合。大模型会快速迭代演变,但智能体与工程文件、工具、证据记录、人工审阅者的交互范式具备长期价值。

本文提出三项研究问题:

  1. RQ1(表达能力):流程工程项目是否可以跨多个工程学科,表达为智能体和人类均可编辑的、相互关联的机器可读文件?
  2. RQ2(验证能力):当设计发生变更,自动化检查工具是否能够发现不一致、过期结果以及受影响的文件;哪些场景下检查工具存在不足;生成文件是否具备可复现性?
  3. RQ3(智能体赋能工程):通用智能体是否可以利用这套技能与工具完成相互耦合的工程任务;对应的API成本是多少,存在哪些局限?

本文贡献:

  1. 提出AI驱动、人类主导的ChemE‑as‑Code工程范式,归纳组织工程工作的五大转变;
  2. 实现上述范式的开源平台;
  3. 以天然气制氨工厂开展端到端演示案例,评估自动化检查的检出能力与漏检情况。

图1 ChemE‑as‑Code跨工程尺度总览。单个通用AI智能体根据任务选择技能(指令文件)与计算工具;覆盖化学热力学、设备控制、流程、工厂厂区、环境经济评估多个层级。工程师设定目标、做出决策、审批版本。全部工程产物存入Git版本库,文件依靠设备标签、指纹、溯源信息建立关联。领域知识保存在技能和工具中,而非多个专用智能体。
在这里插入图片描述

2 相关工作

2.1 化工工程信息与信息管理

流程仿真、流程图建模、优化综合是流程系统工程PSE的基础;如何连通不同工具产出的信息,是该领域长期目标。集成数据文档模型、OntoCAPE本体让化工知识机器可读;知识图谱在数字孪生中链接流程知识、模型与数据来源。
工业界工程文档管理系统EDMS管控全工厂生命周期的文档版本、审批状态与分发。以数据为中心的工程数据库将P&ID、设备仪表清单统一存储,保证绘图标签与清单一致。
但EDMS仅跟踪文档版本,并不校验文档内容一致性;工具边界之外,无法保证P&ID修订版本与仪表清单、仿真模型保持匹配。大量工程信息无法以电子互操作形式传递到运维阶段。

2.2 数据交换标准

P&ID大多存储在CAE工具私有格式。DEXPI基于ISO 15926,定义厂商无关的P&ID、流程模型XML交换格式;ChemE‑as‑Code采用DEXPI 2.0.1存储BFD块流程图、PFD工艺流程图、P&ID管道仪表流程图。pyDEXPI提供Python接口操作DEXPI数据。
CAPE‑OPEN实现流程仿真器单元操作与物性包互操作;AutomationML面向自动化工程;建筑工程领域Speckle实现开源版本控制公共数据环境。
交换标准解决数据互通,但不能解决版本变更后的内容一致性校验。一份合法DEXPI文件,无法保证设备清单、仿真模型、HAZOP分析仍然与图纸保持匹配。

2.3 人工智能在化工工程中的应用

化工AI正在从单纯生成模型向大模型智能体演进。早期包含专家系统、P&ID规则配置;后续机器学习、生成式大模型用于流程图、P&ID生成纠错。公开化工工程数据集稀缺;生成模型产出拓扑结构,但经常缺失属性参数与背后工程决策,并且没有接入完整工程工作流。
近年LLM智能体借助工具完成流程优化、仿真建模、概念分离设计、P&ID生成。部分多智能体工作可以串联多项任务,但大多止步于流程图与仿真模型,没有覆盖完整工厂项目多学科修订与一致性校验。

其它领域参考:化学实验智能体规划执行实验室操作;软件工程智能体在真实代码仓库issue上评测;多智能体框架协调大模型完成复杂任务。

2.4 工程即代码与可复现性

软件工程依靠版本控制、CI持续集成管理变更;Infrastructure‑as‑Code将这套理念迁移到计算基础设施。Engineering‑as‑Code工程即代码将思想延伸到工程设计领域。Plant‑as‑Code面向流程工厂设计,来自前期工业试点,但试点使用闭源软件,细节无法复现。
可复现计算科学要求记录数据来源、可重新运行得到相同结果;W3C PROV‑O词汇表记录活动与主体的产出关系。与之对比,化工项目中参数来源(供应商给定、工程师假设、工具计算)往往只写在文档中,变更之后很多结果无法复现。

综上,已有工作提供了严谨模型、共享语义、可移植格式、生成能力与变更管理软件实践。ChemE‑as‑Code将以上要素整合进一套开源项目:每一次版本都执行跨学科自动化检查,附带证据溯源,配套技能工具集支持智能体跨化工尺度开展工作。

3 AI加速的ChemE‑as‑Code范式五大转变

ChemE‑as‑Code改变工程工作的组织模式,而不是改变工程师的计算内容。该范式从Plant‑as‑Code拓展,覆盖过程化学、仿真、生命周期评估LCA。借鉴软件工程实践做类比,共包含五大转变:

  1. 从独立文档 → 互联的工程知识体系
    传统模式下,项目由多个工具产出的交付文档组成。新范式下,设计基础条件、模型、图纸、清单、布局、安全研究、评估报告共同构成一套互联的机器可读知识集合,附带全部决策与溯源证据。图纸不会消失,只是知识在不同阶段对外呈现的视图。类比软件工程:全部配置以文本保存在单一代码仓库。

  2. 从人工执行变更 → 可追踪的变更传播
    修改某一项设计参数,系统自动识别受影响的计算、图纸、分析条目;标记过期内容,提供重生成候选,工程师确认后完成更新。Git版本记录全部变更链路。类比:CI持续集成检测代码修改带来的单元测试失败。

  3. 从隐性依赖 → 显式可审计的证据溯源
    每一个计算数值都记录输入来源、产生工具、版本。任何数值都可以回溯:该数值来自供应商数据表、工程师假设、还是仿真计算。不允许出现无来源的浮点数。类比:软件构建系统记录每一个中间产物的依赖。

  4. 从人类完成全部工作流 → 智能体执行,人类负责目标设定与审批
    工程师定义目标、约束、验收标准;AI智能体调用技能工具完成大量执行工作;所有智能体产出必须经过人工审阅审批之后,版本才正式生效。类比:AI编程助手写代码,人类审核合并PR。

  5. 从领域知识固化在提示/模型权重 → 知识封装为可独立迭代的技能与工具文件
    催化、仿真、HAZOP、LCA等领域知识编写为技能指令文件与工具脚本;工程师可以直接阅读、修改、单元测试、版本管理,不依赖大模型权重更新。

图2:产能提升20%变更的完整工作流迭代示意图。修改产能参数之后,自动识别受影响对象,标记过期,智能体重运行相关计算,产出修订文件,自动化检查,工程师审阅证据记录,确认合并版本。

4 ChemE‑as‑Code开源平台系统设计

4.1 仓库与文件组织

  • 整套工厂项目存储在Git仓库;
  • 文件采用机器可读格式:DEXPI(P&ID/PFD/BFD)、yaml/json参数、仿真输入脚本;
  • 每一个计算输出附带溯源元数据:输入文件、工具版本、运行时间戳;
  • 标签体系:设备、管线全局唯一标签,用于跨文件关联;
  • 证据记录evidence.json:记录该版本所有计算的来源,用于人工审阅。

4.2 两大核心组件

  1. 工具Tools:可执行程序。包含物性计算、DW‑SIM流程仿真、DEXPI图纸读写、HAZOP分析、LCA生命周期评估、TEA技术经济分析、布局计算、自动化一致性检查脚本。
  2. 技能Skills:markdown格式指令文件,告诉通用大模型智能体:何时调用工具、如何解析输出、如何修改仓库文件。技能可以独立更新、单元测试,不需要微调大模型。

智能体工作模式:接收工程师的高级目标,读取仓库上下文,检索加载对应技能,调用工具执行计算,修改仓库内文件,生成证据记录;全部修改提交Git。自动化检查脚本自动运行,报告不一致与过期项。工程师审阅证据记录,决定是否接受本次修订。

4.3 自动化检查器能力

自动化检查器执行的校验类型:

  1. 跨文件参数一致性校验;
  2. 检测参数、仿真结果过期;
  3. DEXPI图纸内部标签、管线连接完整性;
  4. HAZOP安全条目完整性;
  5. 溯源元数据完整性校验。

重要声明:自动化检查只能够检测规则覆盖的问题,不能替代化工工程师的专业判断。

5 氨合成工厂端到端演示案例

案例任务描述

天然气制氨工厂,从高层文本设计需求,产出初步基础工程包,包含:

  • DW‑SIM仿真模型文件
  • PFD工艺流程图、P&ID管道仪表流程图(DEXPI格式)
  • 设备数据表
  • 工厂3D布局方案
  • HAZOP危险与可操作性分析报告
  • 泄压安全方案
  • 生命周期LCA、技术经济TEA评估

实验条件

  • 通用大模型智能体,加载全套化工技能与工具;
  • 整套会话API调用总开销:224美元;
  • 输出全部文件存入Git仓库,附带完整证据溯源记录。

重要说明:该案例仅用于演示平台完整工作流;生成的整套工程设计没有经过独立化工工程师评审,不代表可以实际建厂使用。

6 测试:植入故障与工程变更场景

为评估自动化检查器的检出能力,开展两组测试:

  1. 植入故障测试:在氨合成案例仓库人为植入多类工程错误(参数不一致、图纸标签缺失、过期仿真结果、HAZOP条目缺失)。
  2. 工程变更测试:模拟工厂产能提升20%,触发变更传播全流程。

测试结论

  1. 自动化检查可以成功检出规则所覆盖的不一致、过期、标签缺失等问题;
  2. 不在预设规则内的工程缺陷,自动化检查无法发现;
  3. 系统可以标记全部受变更影响的文件,智能体重运行对应计算,产出修订版本;
  4. 再次强调:自动化检查是辅助审阅工具,不能取代人类工程师专业评审。

7 讨论

主要发现

  1. 化工工程项目可以组织为相互关联、机器可读的版本控制文件集合,人类与AI智能体均可编辑(RQ1得到验证)。
  2. 自动化检查脚本能够发现规则范围内的不一致、过期结果,但存在漏检;变更场景可以识别受影响文件,支持可复现重生成(RQ2得到验证)。
  3. 单个通用智能体,依靠技能‑工具体系可以完成耦合的多学科化工工程任务;氨合成演示案例API成本224美元,但输出内容必须经过工程师评审(RQ3得到验证)。

局限性

  1. 本演示为小规模概念验证案例;大规模复杂化工厂项目还需要进一步实践验证。
  2. 自动化检查能力受预设规则集约束;复杂工程判断、工艺合理性、安全风险仍然依靠人类工程师。
  3. 技能与工具需要持续维护扩充;目前部分化工子领域的技能尚未完备。
  4. 案例只评估工作流能否跑通;没有证明智能体可以提升实际工程生产力,该命题仍属于待验证的假设。

启示

把化工工程视作代码进行版本管理,搭配证据溯源体系,是AI智能体进入化工工程领域的重要基础。智能体负责执行层面大量工作,但目标设定、方案验收、工程安全判断必须掌握在人类工程师手中。领域知识封装为独立的技能、工具文件,比全部塞进大模型提示与权重更利于工程迭代与测试。

8 结论

本文介绍ChemE‑as‑Code开源平台,为大模型AI智能体提供化工工程的运行环境。平台基于Git版本库存储互联、带溯源证据的机器可读工程文件;领域知识封装为技能指令与计算工具,通用智能体加载技能完成从反应催化、流程仿真、工厂布局、HAZOP安全分析、LCA生命周期评估的完整工程任务。
氨合成工厂端到端演示表明,智能体可以从高层文本需求产出整套初步基础工程包,会话API开销224美元。植入故障与工程变更测试证实自动化检查可以检出规则覆盖范围内的问题,但存在漏检,仅用于辅助人工审阅,不能替代工程师评审。
ChemE‑as‑Code提供了AI智能体赋能化工工程的一套开放可复现范式,把工程变更、溯源证据、人工审批作为核心工作流环节。

附录简要说明

  • 附录A:氨合成案例完整仓库目录结构、DEXPI文件说明。
  • 附录B:全部Skill技能指令样例、工具调用脚本。
  • 附录C:自动化检查器完整校验规则清单。
  • 附录D:植入故障测试用例清单、变更测试完整运行日志。
  • 附录E:API调用统计、会话配置参数。
Logo

更多推荐