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。
六、总结
基于大模型与 AiInsight 框架的高炉智能体，融合数据、工艺、规则形成可追溯分析链路，实现需求到数据分析、方案生成的闭环，适配复盘研讨、方案编制、风险预警、新人培训等场景；依托技能约束锚定 AI 输出边界，后续扩充多源数据，可迭代升级为长效生产决策支撑工具。
考虑到每座高炉冶炼的复杂性和独特性，未来的研究可以进一步优化智能体的工艺知识库和通过历史数据充分学习已有的经验，以满足不同高炉的分析和优化目标。
参考文章
（1）硬件网关：https://mp.weixin.qq.com/s/iKMqn62YIhBlXjGtY2wKXQ。
（2）物联网（IOT）：https://mp.weixin.qq.com/s/5u4L8fItaFpIbVYOlxbmGg。
（3）视觉分析（Vision）：https://mp.weixin.qq.com/s/SiiuXTTGplTAERRYyCmGCQ。
（4）大模型智库（AiMind）：https://mp.weixin.qq.com/s/SH_q2k_zbQ-pcd05zj86-g。
（5）大模型智能问数（AiInsight）:https://mp.weixin.qq.com/s/A1fIQq_w9c8SW9aEWVIsgw。
物联网&大数据技术 QQ群：54256083
物联网&大数据项目 QQ群：727664080
QQ：504547114
