1. 项目缘起：当高炉遇上大模型，我们想解决什么？

干了十几年钢铁行业信息化，我最大的感受是，高炉这个“黑箱”太让人头疼了。它不像轧钢线，参数调整和成品质量几乎是线性可见的。高炉内部是上千度高温、复杂物理化学反应的混沌世界，操作工和工程师们更多是凭着一代代传下来的“经验”和“感觉”在驾驭这头巨兽。炉况顺行时皆大欢喜，一旦出现炉温波动、煤气流分布异常、甚至悬料、崩料，往往需要经验最丰富的“炉长”连夜会诊，翻阅几个月甚至几年的历史曲线，结合当时的原料、操作记录，像老中医“望闻问切”一样去推断病因。这个过程耗时耗力，且高度依赖个人经验，一旦老师傅退休，经验断层的问题就非常突出。

所以，当大模型和AI Agent（智能体）技术火起来的时候，我们团队就在想：能不能用这项技术，给高炉也配一个“永不退休的AI炉长”？这个想法催生了我们基于大模型和AiInsight问数框架的高炉冶炼智能体项目。它的核心目标很明确，就是三件事：第一， 历史诊断自动化 ，让AI快速“翻阅”海量历史数据，精准定位类似异常工况的根因；第二， 目标优化智能化 ，基于当前状态和边界条件，给出下一阶段最优的操作参数建议；第三， 生产决策辅助实时化 ，在操作工面对复杂情况犹豫时，提供基于数据和模型的推理支持，而不是代替人做决定。

这不是一个飘在空中的概念，而是我们扎进生产现场，从一个个具体的痛点里长出来的需求。比如，上个月二号高炉出现铁水含硅量持续偏高，传统方法需要对比近一周的几十个参数趋势。而我们的智能体，能在几分钟内关联起同一时期焦炭水分波动、鼓风湿度变化以及上一次检修后炉喉布料角度的微调，直接给出“本次硅高主要诱因为焦炭水分波动导致实际入炉焦炭负荷减轻，次要原因为鼓风湿度未及时调整”的结论，并附上相似历史案例的对比曲线，这个效率的提升是颠覆性的。

2. 技术选型：为什么是“大模型+AiInsight问数框架”？

面对高炉这个复杂系统，技术路线的选择直接决定了项目的成败。我们评估过纯机理模型、传统机器学习以及现在的大模型路线。

纯机理模型（如基于质量、热量平衡的静态或动态模型）理论扎实，但需要极其精确的边界条件和参数，对实际生产中原料成分波动、设备状态变化等“噪声”非常敏感，维护成本高，往往“实验室里完美，现场跑不通”。传统机器学习（如XGBoost、LSTM预测炉温）在单点预测上表现不错，比如提前4小时预测铁水温度，但它就像一个“单项冠军”，只能解决特定问题。对于需要综合判断、因果推理和知识关联的复杂诊断和决策，传统机器学习模型是割裂的，缺乏“大局观”和“解释能力”。

而大模型，特别是经过领域知识精调后的行业大模型，给我们带来了新的可能性。它的核心优势在于 “理解”和“关联” 。我们可以将高炉操作手册、工艺规程、事故案例报告、专家经验笔记等非结构化文本，连同海量的结构化时序数据（温度、压力、流量等）一起“喂”给模型进行训练。这让模型不仅能看懂数据曲线，还能理解“炉腹煤气量指数超标可能导致中心气流过旺”这样的工艺逻辑。当出现异常时，它能像人类专家一样，从纷繁复杂的现象中关联起可能相关的多个因素，进行因果推理。

但是，仅有大模型还不够。大模型擅长处理和生成自然语言，但让它直接对接实时数据库、执行复杂的数值计算、或者按照严格逻辑调用多个子模型，就显得力不从心，且不可控。这时就需要一个 “中间件” 来统筹协调，这就是我们引入 AiInsight问数框架 的原因。

你可以把AiInsight框架理解为这个AI炉长的“中枢神经系统”和“执行工具箱”。它主要解决几个关键问题：

1. 任务规划与分解 ：当操作工提出“帮我分析一下过去24小时炉况变差的原因”时，框架会将这个自然语言指令，分解成一系列可执行的任务链，例如： 查询过去24小时关键参数 -> 检测异常时间段 -> 检索同期原料数据 -> 调用预测模型评估影响 -> 生成诊断报告 。
2. 工具调用与集成 ：框架集成了各类“工具”。例如，有专门从实时数据库（如PI System）获取历史数据的 DataFetcher 工具；有进行小波分析、突变点检测的 SignalAnalyzer 工具；还有我们之前已经训练好的、用于预测铁水含硅量的 [Si]预测XGBoost模型 工具。大模型负责判断“什么时候、需要调用什么工具”，框架负责安全、可靠地执行调用。
3. 控制流与可靠性 ：高炉生产无小事，AI的推理过程必须是可控、可追溯的。框架能管理复杂的工作流，处理条件判断（如果A成立，则执行B，否则执行C）、循环等逻辑，确保整个推理链的稳定。同时，所有工具的调用、中间结果都有日志，方便我们复盘AI的“思考过程”。

所以， “大模型”是大脑，负责理解和推理；“AiInsight框架”是小脑和四肢，负责规划和执行 。两者结合，才构成了一个既能思考、又能动手的完整“智能体”。

3. 智能体核心能力一：高炉历史工况的“超级搜索引擎”与根因诊断

这是智能体最先上线，也是现场工程师反馈最直接的功能。过去查历史案例，就像在一个没有索引的图书馆里凭记忆找书。现在，智能体充当了一个“超级搜索引擎”。

3.1 数据准备与向量化：让模型理解“高炉语言”

第一步是让模型能“读懂”我们的数据。我们构建了一个高炉领域的专属知识库，包含两部分：

• 结构化数据仓库 ：存储了近五年高炉所有的生产过程数据（每秒级）、化验数据（每炉铁）、原料数据（每批次）、操作事件（休风、慢风、变料等）。这些数据经过严格的清洗、对齐（时间戳同步）、和特征工程，形成了规整的表格。
• 非结构化知识库 ：这部分的突破性更大。我们收集了历年的工艺技术月报、事故分析报告、专家巡检记录、重要的技术研讨会纪要，甚至将一些老炉长的口头经验整理成文。利用大模型的文本嵌入（Embedding）能力，将这些文档转换成向量，存储到向量数据库中。

这里的关键是 提示词（Prompt）工程 。我们不是简单地把数据扔进去，而是设计了一套针对高炉诊断的“提问模板”和“思考链（Chain-of-Thought）”提示。例如，当用户问“为什么昨天下午铁水物理热下降？”，系统内部的提示会引导模型：

“请按以下步骤分析：1. 确认铁水物理热下降的具体时间段和幅度。2. 检索该时间段内，与铁水物理热强相关的参数（如：炉顶温度、炉喉温度、风口理论燃烧温度、鼓风动能、富氧率）有何变化。3. 检查同期是否有操作事件（如：减风、加湿、变料）。4. 检索知识库中，关于‘铁水物理热下降’的典型原因描述。5. 综合以上信息，给出最可能的1-3个原因，并按可能性排序。”

3.2 诊断过程：从“描述现象”到“定位根因”

实际应用中，工程师在界面输入自然语言问题，比如：“查找与2023年10月15日类似的炉墙温度升高案例。”

1. 语义解析与检索 ：大模型首先理解这个问题，通过AiInsight框架调用工具，从向量知识库中检索相关的历史报告和案例摘要。同时，从时序数据库中找到2023年10月15日前后几天的炉墙温度数据。
2. 多模态对比分析 ：框架会启动一个分析工作流。它先提取当前案例的特征（如温度升高起始点、速率、涉及的热电偶位置分布），然后在历史案例库中进行相似度匹配。匹配的不只是曲线形状，还包括当时的原料条件（焦炭反应性CRI是否偏高？）、操作参数（是否正在提高冶强？）。
3. 生成诊断报告 ：大模型将检索到的相似案例、对比数据、以及从知识库中提取的关联知识（如“炉墙温度升高可能源于边缘气流过弱或冷却壁水管结垢”）进行整合，生成一份结构化的诊断报告。报告会包含：相似案例列表（时间、主要现象、处理措施）、关键参数对比图表、可能原因推断、以及处理建议参考。

注意： 我们特别强调智能体的角色是“辅助”而非“替代”。因此，在诊断报告中，每一项结论旁边都会标注其 置信度 和 支撑证据的来源 （例如：“置信度85%，依据：A案例中采取‘适当发展边缘气流’后，温度在12小时内回落”）。这给了工程师判断和决策的抓手，他们可以采信AI的结论，也可以基于更丰富的现场感知（比如听到炉内声音异常）做出不同判断。

4. 智能体核心能力二：基于多目标优化的高炉操作参数推荐

历史诊断是“回头看”，而参数推荐则是“向前看”。高炉操作本质上是一个多目标、强约束的优化问题：我们希望 铁水质量（[Si]、[S]含量）稳定合格、产量高、燃料比低、炉况长期顺行 。但这些目标往往是相互矛盾的，例如，过分追求低燃料比可能导致炉温不足，铁水质量下滑。

4.1 构建高炉冶炼的“数字孪生”代理模型

要实现优化，首先要有一个能快速评估操作参数改变带来影响的模型。我们采用“机理模型+数据驱动模型”混合的方式，构建了一个轻量级的 代理模型（Surrogate Model） 。

• 机理部分 ：嵌入高炉冶炼最基本的质量与热量平衡方程、Rist操作线理论等，保证模型在物理意义上不会出现离谱的偏差（比如给出负的焦比）。
• 数据驱动部分 ：用大量历史操作数据，训练梯度提升树（如LightGBM）或神经网络模型，来学习那些机理模型难以精确描述的复杂非线性关系，比如： “在当前炉温水平下，将鼓风湿度从12g/m³提升到15g/m³，对铁水含硅量的具体影响是多少？”

这个代理模型的计算速度极快（毫秒级），可以代替复杂耗时的流体力学或全流程仿真，用于后续的优化搜索。

4.2 定义优化问题与智能体决策流程

我们将操作参数推荐形式化为一个优化问题：

• 决策变量 ：下一班（通常4-8小时）建议调整的操作参数，如：风温、风量、喷煤量、焦炭负荷、炉顶压力等。这些变量都有可调整的上下限。
• 目标函数 ：一个综合评分函数。例如： Score = w1 * (1 - [Si]偏差) + w2 * (产量/基准产量) + w3 * (1 - 燃料比/基准燃料比) - w4 * (炉况波动指数) 。其中权重w1, w2, w3, w4可以根据生产策略动态调整（例如，本月以稳产为主，则加大w1和w4的权重）。
• 约束条件 ：包括工艺安全红线（如炉顶温度不能超过300℃）、设备能力限制（如最大风量）、以及当前炉况的连续性约束（如风量不能骤降超过5%）。

当需要给出推荐时，智能体的工作流程如下：

1. 感知状态 ：通过AiInsight框架获取高炉当前所有关键状态参数（State）。
2. 设定目标 ：结合生产计划（例如“本班次以降燃料比为首要目标”）和当前炉况，动态确定优化目标函数的权重。
3. 调用优化器 ：框架调用集成好的优化算法（我们采用贝叶斯优化，因其适合处理计算成本较高的黑箱函数，且能平衡探索与利用）。优化器在决策变量空间内，反复调用前述的 代理模型 ，预测不同操作参数组合下的目标函数值。
4. 生成推荐与解释 ：优化器找到一组或几组较优的解。大模型的作用在于， 将这组冰冷的数字参数，转换成操作工能理解的“操作建议” 。例如，它可能生成：“当前炉温有下行趋势，中心气流偏强。建议：在保证风量的前提下，将风温提高15°C以稳定炉温，同时将焦炭负荷微降0.05以抑制中心气流。预计此举可使下炉铁水[Si]回升至0.45%左右，燃料比小幅上升约2kg/t，在可接受范围内。”

5. 智能体核心能力三：面向生产决策的实时对话与推理辅助

前两个能力偏向后台自动分析，而第三个能力则是直接面向操作台前的工程师和炉长的交互界面。我们开发了一个类似ChatGPT的对话界面，但背后连接的是整个高炉的知识库、实时数据和模型。

5.1 场景一：突发异常下的快速因果问答 高炉生产中最怕突发状况。例如，中控室突然报警“炉顶压力出现周期性剧烈波动”。炉长可以在对话框中输入：“顶压为什么波动？和刚才的上料程序变更有关吗？”

• 智能体会立刻通过框架查询顶压波动前后的详细数据，检索上料程序变更记录。
• 同时，它在知识库中搜索“炉顶压力周期性波动”的常见原因。
• 结合实时数据，它可能回答：“检测到顶压波动始于10:15，波动周期约5分钟。在10:10有一次焦炭布料角度的调整（从α38°改为α36°）。知识库指出，焦炭布料过窄可能导致边缘气流过强，引发周期性管道行程。 建议：立即将焦炭布料角度回调至38°以上，并观察下两批料后的顶压变化。 已检索到2022年5月类似案例，按此方法处理后在30分钟内稳定。”

5.2 场景二：操作前的“沙盘推演” 在计划进行一项较大操作前，比如“计划将喷煤量从150kg/t提升到160kg/t”，工程师可以问：“如果我把喷煤比提到160，未来4小时炉温和煤气利用率会怎么变？需要注意什么？”

• 智能体会调用代理模型，基于当前状态进行推演预测，给出炉温和煤气利用率的变化曲线。
• 同时，它会从知识库中提取“提高喷煤量”的操作要点和风险提示：“提高喷煤量需同步关注氧煤比，确保煤粉充分燃烧。历史案例显示，若未相应调整富氧，可能导致未燃煤粉增多，恶化料柱透气性。建议：每提高10kg/t喷煤量，富氧率应增加约0.5%。”

5.3 实现的关键：严谨的“工具使用”规范 要让这种对话可靠，必须对智能体的“工具使用”能力进行严格约束。我们通过AiInsight框架定义了清晰的边界：

• 只读不写 ：智能体所有查询数据的工具，权限均为只读，绝对禁止直接向控制系统发送写入指令。所有操作建议都必须经过人工确认。
• 事实与建议分离 ：在回答中，必须明确区分哪些是来自数据的“事实”（如“风温当前为1150°C”），哪些是来自模型的“预测”（如“预计提高风温后，铁水温度将上升”），哪些是来自知识库的“经验建议”。
• 不确定性表达 ：对于预测和推断，必须给出置信区间或不确定性说明，例如“模型预测[Si]将下降0.1%，但此预测基于近期数据，若原料成分发生未知变化，可能存在偏差”。

6. 落地挑战与我们的“踩坑”实录

这个项目从构想到在试点高炉上线，花了近一年时间，中间踩过的坑不计其数。分享几个最有代表性的，给想做类似应用的同行提个醒。

6.1 数据质量之坑：“脏数据”足以让智能体“精神错乱” 我们最初过于乐观，直接把实时数据库的数据管道接入了训练流程。结果发现，由于传感器故障、通讯中断、人工录入错误，数据中存在大量的 零值、负值、恒值、尖峰噪声 。用这样的数据训练出的代理模型，预测结果完全不可信。

• 我们的解决方案 ：专门开发了一套针对高炉时序数据的预处理流水线。除了常规的滤波、插值，我们还加入了基于工艺规则的“合理性校验”模块。例如，高炉炉顶温度一般在一定范围内，如果某个时刻数据超过400°C或低于50°C，则自动标记为异常，并触发基于前后文和关联参数（如炉喉温度）的修复逻辑。 核心心得：在AI项目里，数据清洗和治理所花费的时间，至少占整个项目周期的40%以上，这部分投入绝对不能省。

6.2 模型“幻觉”之坑：当AI开始一本正经地胡说八道 大模型固有的“幻觉”问题在工业场景中是致命的。早期版本中，智能体曾有一次在分析炉凉原因时，言之凿凿地引用了一份“关于冷却壁大量漏水导致炉凉的专家报告”，但工程师核实后发现，那份报告根本不存在，是模型根据多个相关文本片段“拼接编造”的。

• 我们的解决方案 ：引入了严格的 检索增强生成（RAG） 和 溯源 机制。强制要求智能体的每一句关于事实的陈述，都必须引用来自知识库的具体文档ID或数据查询的时间范围。在界面展示时，每一段结论后面都有一个“查看来源”的按钮。同时，对于数值预测，必须附带其使用的代理模型版本和输入参数，确保整个过程可追溯、可复现。

6.3 人机协同之坑：工程师不信任，再好的系统也是摆设 最初我们把智能体界面做得非常“技术化”，满屏的术语和曲线。结果发现，经验丰富的老炉长们根本不用，他们觉得“花里胡哨，不如我的笔记本靠谱”。

• 我们的解决方案 ：我们派开发人员跟班倒，坐在操作台旁边看他们怎么工作。发现他们最关心的是 简洁的结论、明确的建议、以及为什么这么建议的理由 。于是我们彻底重构了交互界面：
  • 仪表盘视图 ：首页只显示最关键的几个指标和智能体的“当前重点关注”提示（如：“注意：边缘气流指数已连续2小时走弱，建议关注”）。
  • 对话即搜索 ：将复杂的菜单点击，改为一个简单的对话框，工程师可以用他们最自然的语言提问。
  • 解释可视化 ：不仅给出结论，还把支撑结论的关键数据曲线、相似案例对比图，并列展示出来，让老师傅们能一眼看明白AI的“思考依据”。
  • 反馈闭环 ：在每条建议旁边增加“有用”、“无用”的反馈按钮，并鼓励工程师输入“为什么觉得无用”。这些反馈数据会用于持续优化模型的提示词和知识库。

6.4 领域知识融合之坑：通用大模型不懂“行话” 直接使用开源的通用大模型（如LLaMA、ChatGLM），效果很差。它无法理解“料速”、“透气性指数”、“渣皮稳定性”这些专业术语，更无法理解它们之间的复杂关系。

• 我们的解决方案 ：我们采用了 “领域知识预训练 + 指令微调” 的两阶段方案。
  1. 预训练 ：收集了数十万份高炉相关的技术论文、操作规程、报告，用这些语料继续训练（Continue Pre-training）基座模型，让模型深度吸收高炉领域的词汇、句式和知识结构。
  2. 指令微调 ：构造了数万条高质量的指令样本。每条样本都包含一个“指令”（如：“分析炉温下行原因”）、“输入”（相关的数据上下文）和“期望的输出”（结构化的诊断报告）。通过微调，教会模型严格按照我们定义的格式和逻辑来回答问题。这部分数据标注的成本最高，但效果提升也最显著。

从试点高炉半年多的运行数据来看，智能体对异常工况的根因诊断准确率（经专家确认）从初期的60%提升到了目前的85%以上；其操作参数推荐被采纳后，高炉关键指标（如铁水含硅量标准差）的稳定性提升了约15%。更重要的是，它成为了年轻工程师快速学习高炉操作知识的“智能导师”，以及老师傅在应对复杂局面时的“得力参谋”。这个项目让我深刻体会到，AI在工业领域的价值，不在于创造一个全知全能的“神”，而在于打造一个7x24小时在线、知识永不遗忘、计算永不疲倦的“超级助手”，它的最终目标是 增强人 ，而不是 取代人 。