基于大模型、AiInsight问数框架的钢铁高炉冶炼智能体研究与应用(面向高炉历史诊断、目标优化与生产决策辅助)

一、概述

高炉冶炼过程具有多变量耦合、响应滞后、操作约束强和经验依赖高等特点。传统分析主要依赖工长经验和离线报表，难以在复杂数据、工艺知识与目标优化之间形成连续闭环。

AiInsight 问数框架将大模型、技能包、数据源、工艺知识库和工具执行统一到一个智能体流程中。用户可以用自然语言或明确命令发起任务，系统根据已选大模型、技能、数据源、文件和知识库构造上下文，分步骤完成数据查询、工艺推理、脚本分析和报告生成等过程。

高炉冶炼智能体正是该框架在工业过程分析场景中的应用：它把高炉工艺知识沉淀为技能文件和工艺规则，通过大模型进行任务拆解、工具选择和解释生成。

本应用关注两个典型问题：

第一，给定某台高炉和一段历史时间，判断当前炉况是否顺行、哪些参数波动需要关注；

第二，在当前状态下，如果目标是提高产量、降低燃料比或改善顺行，应如何小步、可验证地调整参数。

图 1 输入命令示例：用户发起高炉提产调参任务

图 2 输出结果示例：系统按步骤输出状态判断、调参建议和风险提示

二、高炉智能体介绍

高炉智能体以 blast-furnace-assistant 技能包为核心。它不是单纯的聊天提示词，而是一组可被 AiInsight 问数框架识别和执行的技能说明、工艺知识、脚本与模板资源。技能包规定了命令入口、执行准入、术语约定、输入字段、处理流程、输出格式和防错规则，使大模型在开放生成能力之外受到工艺知识和执行流程约束。

2.1 智能体目录结构

高炉智能体目录结构如下：

目录或文件	内容	作用
SKILL.md	技能主说明文件	定义技能名称、触发描述、命令路由、执行准入、输入字段、处理步骤和输出格式。
references/craft-knowledge.md	高炉冶炼工艺知识库	提供冶炼原理、四大操作制度、高炉冶炼原理、工况判定、参数调整规范、提产和降燃料比策略。
references/database-schema.md	数据库结构说明	说明设备表、点位表、实时数据表、历史数据表及其他工艺知识表之间的关系和查询模板。
references/heating-capacity.md	炉容计算参考	提供有效容积利用系数法、炉缸直径法和炉容分级，用于报告中的炉容判断。
assets/	资源目录	预留图片或静态资源，本测试资料中为空。
scripts/	脚本目录	预留技能脚本，本测试资料中为空。
templates/	模板目录	预留 HTML 或报告模板，本测试资料中为空。

2.2 智能体文件作用

SKILL.md 是智能体的入口文件，定义两个互相独立的命令：/analyze-his-data 与 /analyze-dest。前者面向历史工长曲线诊断，回答“现在是什么状态”；后者面向目标导向优化，回答“要达到目标应该怎么调”。

命令	任务定位	核心输入	典型输出
/analyze-his-data	历史状态诊断	设备名称、时间范围、历史工长曲线或数据库点位数据	运行状态评估、四大操作制度分析、透气性分析、风险提示和建议。
/analyze-dest	目标导向优化	设备名称、时间范围、目标，如提产、降耗、顺行	当前状态判断、目标可行性、参数从多少调到多少、观察期和停步条件。

craft-knowledge.md 是工艺推理依据。围绕高炉基础冶炼原理展开，简述高炉为料气逆向运动的还原反应器，列明间接、直接还原及造渣三类核心反应，划分炉内功能区域，阐述煤气流分布与流速管控要点，并从热力学还原顺序、冷热平衡角度说明直接还原度、热量收支对炉况与焦比的影响等。

database-schema.md 用于把工业数据源转化为可查询对象。这些规则让大模型不会凭空猜测字段，也减少了误查无关表的风险。

/analyze-his-data技能处理流程：步骤 1：数据清洗与预处理、步骤 2：统计特征提取、步骤 3：运行状态分析

/analyze-dest技能处理流程：步骤 1：当前状态评估、步骤 2：目标可行性判断、步骤 3：参数约束检查、步骤 4：调整方案生成、步骤 5：风险提示。

三、AiInsight问数框架介绍

AiInsight 问数框架在高炉场景中承担“任务编排器”的角色。收集用户输入、已选大模型、技能、数据源、知识库和文件信息，发送请求。将它们转化为 Agent 可使用的工具和上下文。处理过程：

接收输入：用户输入自然语言或 /analyze-dest、/analyze-his-data 等命令，前端同时携带当前选择的大模型、技能、数据库和知识库。
加载资源：后端加载技能注册表，预选 blast-furnace-assistant；如果选择了知识库，则生成 knowledge_retrieve 工具；如果选择了数据库，则生成只读 sql_query 工具。
构造智能体：系统把技能说明、资源说明、工具清单和用户问题合成为 ReAct 提示词，交给大模型进行 Thought、Action、Observation 循环。
执行工具：智能体根据任务选择读取技能、查询数据库、执行技能脚本、运行 Python 分析、渲染 HTML 报告等工具。
流式反馈：执行过程通过start、chunk、done、final、done 等事件返回前端，用户可以看到每一步正在做什么、用了什么工具和得到什么结果。
保存上下文：最终内容、步骤、生成图片和报告会结构化保存到会话历史，便于后续追溯和分享。

该框架的特点是把“大模型生成”放在可控流程中运行。模型负责理解目标、规划步骤和组织语言；技能包负责限定行业知识和执行路径；数据源负责提供真实生产数据；工具层负责完成查询、计算和报告渲染。这样既保留了自然语言交互的灵活性，避免把工业调参变成无依据的泛化回答。

融合对象	在高炉应用中的作用	防错设计
大模型	理解命令、拆解任务、结合知识进行推理并生成说明。	通过技能规则、工具清单和 ReAct 输出格式约束推理路径。
技能包	规定高炉诊断和目标优化流程，统一术语、参数范围和输出格式。	命令精确路由，要求先读工艺知识库，禁止循环尝试工具。
数据源	查询设备、点位、实时数据和历史数据，为分析提供事实基础。	SQL 工具只允许 SELECT，禁止写入、删除、改表等危险语句。
知识库	补充工艺机理、调参幅度、滞后时间和停步条件。	以知识检索工具提供上下文，减少模型凭经验扩写。
工具执行	完成 Python 分析、技能脚本执行、HTML 报告渲染和图片生成。	代码预检查、超时、输出截断、沙箱限制和图片路径修复。

四、大模型

高炉智能体中大模型不替代工长实操，仅充当工艺与数据间的决策辅助层：接收需求后区分诊断、优化类任务，像提产优化任务先核验炉况条件再输出调参方案。

其价值在于将自然语言需求拆解为结构化步骤、把工艺规范落地为量化操作建议、整合数据与知识库生成落地结论；同时受规则约束，输出仅作参考，现场人员最终敲定操作，平台依托多重管控限定 AI 仅负责分析、献策与出具报告。

五、应用过程

以目标优化命令为例，用户输入：/analyze-dest 分析**1#高炉，时间：2026-06-02 23:00:00 到 2026-06-03 01:00:00，提高产量应该如何调参数。系统执行过程可分为以下步骤。

识别命令和目标：系统检测到 /analyze-dest，按目标导向优化流程执行，不调用 /analyze-his-data 的历史诊断输出模板。
加载技能和工艺知识：智能体读取 blast-furnace-assistant 的 SKILL.md，并加载 craft-knowledge.md、database-schema.md、heating-capacity.md 等参考文件。
解析设备和时间范围：系统从输入中识别“**1#高炉”和起止时间，并准备按数据库结构查询设备、点位和历史数据。
查询或接入数据源：若用户已选择数据库，工具按设备表、点位表、历史数据表关系查询；若没有可用数据库，系统仍基于工艺知识给出通用原则，并提示数据缺口。
判断当前状态：根据风量、风压、顶压、压差、透气性、顶温、料线、料批、喷煤、富氧等参数，判断是否处于顺行 A/B 级以及是否具备提产前提。
生成调参方案：在满足前提时，按小幅加风、提富氧、加喷煤、增料批、稳定观察的顺序给出数值化建议；不满足时，先给出稳炉或改善透气性的措施。
输出风险和停步条件：明确风压波动、透气性下降、料线南北差、顶温偏差、崩料等异常触发后应停止提产，并进入稳定观察。
渲染报告：需要网页报告时，框架通过渲染 HTML；在聊天界面中则以分步内容、表格和最终结论返回。