我给污水处理厂写了个 AI 运维助手,开源了

污水处理厂的日常，是值班员盯着出水数据、拿着显微镜看污泥、翻着规程手册处理突发状况。经验靠老师傅带，知识散落在各种 PDF 和 SOP 里，夜班遇到异常现象只能凭记忆和电话求助。

我做了个东西想改变这一点：污水处理运维助手（wastewater-ops-agent）——输入故障现象，输出排查清单和处置建议；能看镜检照片、能答专业知识、能生成台账、能给参数建议。

已开源，MIT 协议：

• GitHub：
• Gitee：

它能干什么

这个 Agent 特别在哪

1. 鉴别式故障树，不是"原因大全"

市面上多数做法是列一堆"可能原因"丢给模型。我的故障树是假设 + 鉴别检查的决策结构：命中条目后，按预先设计的鉴别检查逐项排除，像老师傅问诊一样逐步收敛结论，而不是把所有可能性平铺给你自己猜。

2. 先规则后 RAG，LLM 兜底但绝不硬编

诊断先走故障树规则，规则没覆盖的长尾故障才交给 LLM 兜底——而且强制明示低置信度。知识问答同理：只依据检索到的文档作答，必须引用来源文件；知识库没有的内容明确拒答，不编造。在运维场景，"一本正经地胡说"比"不知道"危险得多，所以我把防幻觉写进了架构而不是祈祷 prompt。

3. 手机拍目镜就能做镜检

值班员用手机对着显微镜目镜拍一张，视觉模型输出结构化描述（丝状菌丰度分级、优势类群、生物相评价），再对照镜检教程知识库给出带引用的解读。丝状菌丰度 ≥+++ 会一键转入污泥膨胀排查流程。图像质量不足时如实输出"不足以判断"，不硬猜。

4. 数据不出厂

这是污水厂的硬需求。支持本地 Ollama 部署（qwen2.5 + bge-m3 + qwen2.5-vl），数据、密钥全部留在本机；也支持在线 API 双通道切换，19 家供应商预设，全部走 OpenAI 兼容接口，改一行配置或界面下拉框即可切换，代码零改动。视觉模型可独立配置混搭。

5. 手机就是 App

Streamlit 监听局域网，手机连同一 Wi-Fi 打开浏览器即用，界面按窄屏设计（大按钮、少分栏）。不需要开发小程序，不需要上架应用商店。

6. 知识库随时增量添加

文档（md/txt/pdf/docx）丢进目录或界面上传，自动切割、向量化、入库。基于文件哈希做增量——只处理新增/修改的文件，已入库的秒过，不停服务、不全量重建。

7. V2：从"问答系统"进化成真正的 Agent

V1 我诚实地承认只是"规则库 + 检索问答"：输入→检索→调一次 LLM→输出→失忆。V2 做了三件事：

• 四层记忆：会话记忆、厂情档案（工艺/限值/药剂，填一次永久生效）、运行记忆（自动读最近台账数据）、经验记忆（诊断结论人工确认后沉淀为案例）
• 会问的诊断循环：ReAct 风格，LLM 装备查台账、查知识库、查案例、向用户提问四个工具，按故障树的鉴别检查项逐步追问，信息够了才下结论，并给出依据链
• 模型能力检测：检测到小模型撑不起循环时自动降级为一次性诊断模式，不报错不装死

8. 安全红线写进代码

不对接 PLC/阀门/泵/加药设备的控制接口（只读都不接）；所有输出标注"仅供运行参考"；红线指标"自动执行类操作输出次数 = 0"是测试断言。52 个纯函数测试 + GitHub Actions CI，全部不依赖网络和真实 LLM。

必须说清楚的问题

开源不是只报喜。这个项目的短板我同样想讲明白：

1. 小模型撑不起 Agent 循环。我实测 7B 模型连单条条件指令都执行不稳（同一规则三次测试三种结果）。多轮诊断循环需要 14B 以上本地模型或在线 API。7B 下会自动降级为一次性诊断模式——能用，但体验打折。

2. 故障树覆盖有限。目前只做了 Top10 高频故障（规划约 40 条），长尾故障全靠 LLM 兜底，质量没有规则保障。故障树是这个项目价值最高的部分，也是最需要行业专家共建的部分。

3. 视觉模型只能"描述"，不能"鉴定"。VLM 能可靠地说出丝状菌丰度、菌胶团状态，但物种级结论会编造,试了几次一半准确率都不到。所以我把物种鉴定交给教程知识库检索，模型只做描述——这是能力边界，不是设计保守。

4. 冷启动依赖你自己。公开仓库只放脱敏样例文档。知识库好不好用，取决于你喂进去的厂内资料；厂情档案要手工填一次；案例沉淀需要每次诊断后人工确认。没有"开箱即用的行业大脑"。

5. 扫描件 PDF 解析不了。图片型 PDF 提不出文字，请用文字版 PDF/Word 或整理成 md/txt。

6. 只能局域网用。手机访问依赖同一 Wi-Fi，远程访问（如 Tailscale 方案）还在规划中。

7. 它永远只是辅助。所有诊断、建议都不构成操作指令，执行前必须经工艺工程师或值班长确认。这不是客套话，是这类工具能存在的底线。

怎么用

pip install -r requirements.txt     # Python 3.11+      # 复制 .env.example 为 .env，填模型配置      ollama pull qwen2.5:7b && ollama pull bge-m3 && ollama pull qwen2.5vl:7b     # 本地模式可选      streamlit run app/main.py --server.address 0.0.0.0 --server.port 8501  

仓库里有面向运行人员的详细操作手册（使用方法.md），每个功能怎么用、常见问题怎么排，都写清楚了。

最后

这个项目源于一个朴素的想法：让老师傅的经验变成可以 7×24 值班的助手，让夜班的人遇到异常时手边有个能问、能查、能看图的东西。

它还很粗糙——故障树要补、模型要升级、远程访问要做。如果你在水务行业，或者对垂直领域 Agent 的工程实践感兴趣，欢迎 Star、提 Issue、贡献故障树条目。

代码全开源，MIT 协议，数据不出厂。

GitHub:https://github.com/xianyouxupeng/wastewater-ops-agent

Gitee:https://gitee.com/xianyouxupeng/wastewater-ops-agent