基于大模型+工业智能体的高炉炼铁智能化新范式

A new intelligent paradigm for blast furnace ironmaking based on large language model + industrial agents

摘要

立足大语言模型（Large Language Model， LLM）的高阶认知推理与工业智能体自主执行的协同优势，首先构建了高炉炼铁垂直LLM（Vertical LLM， V-LLM）与工业智能体的协同架构，并进一步设计“毫秒级-小时级-日度级-月度级”的嵌套式信息反馈与迭代更新机制，为基于LLM+工业智能体的高炉炼铁智能化新范式提供理论参考。随后，基于高炉炼铁实际场景，提出“1中枢+5层级”通用实施路径以及涵盖V-LLM、工业智能体及二者协同效能的三维评价体系。最后，通过构建高炉炉温智能监测、预警、决策智能体开展实例验证，并剖析了现存关键挑战及针对性应对措施。研究结果有助于推动高炉炼铁智能化向“认知-决策-执行-反馈-迭代”的全链路闭环协同体系演进，同时为未来LLM+工业智能体的规模化推广提供技术参考。

Abstract

With the collaborative advantages of high-order cognitive reasoning of large language model （LLM） and autonomous execution of industrial agents taken into consideration， a collaborative framework between vertical LLM （V-LLM） for blast furnace ironmaking and industrial agents was established， and a nested information feedback and iterative updating mechanism covering millisecond， hourly， daily and monthly scales was designed to provide theoretical basis for the new intelligent paradigm of blast furnace ironmaking based on LLM and industrial agents. A universal implementation path of "one center and five levels" and a three-dimensional evaluation system involving V-LLM， industrial agent and their collaborative efficiency were put forward according to actual production scenarios of blast furnace ironmaking. Case verification was performed by developing the intelligent agents for blast furnace temperature monitoring， early warning and decision making， and existing major challenges and corresponding coping strategies were analyzed. The research results facilitated the development of intelligent blast furnace ironmaking into a full-chain closed-loop collaborative system featuring cognition， decision-making， execution， feedback and iteration， and technical references were provided for the large-scale application of LLM and industrial agents.

Graphical abstract

关键词

高炉炼铁 / 大语言模型 / 工业智能体 / 人工智能 / 闭环协同体系

Key words

blast furnace ironmaking / large language model （LLM） / industrial agent / artificial intelligence / closed-loop collaborative system

0 引言

钢铁工业是我国国民经济的重要基础产业，是构建现代化产业体系的核心支撑，更是推动传统工业数字化、智能化转型的关键领域^［1］。当前，人工智能（Artificial Intelligence， AI）与钢铁工业深度融合，已成为推动我国传统行业新质生产力发展的关键路径。我国钢铁生产主要分为“高炉+转炉”长流程与“废钢+电炉”短流程两种路线^［2］。尽管短流程冶炼具备突出的低碳优势，但长流程冶炼凭借成熟的技术体系与庞大的产业体量，仍在我国钢铁生产中占据主导地位。高炉作为长流程冶炼的核心工序枢纽，其智能化水平直接影响钢铁生产的经济性与稳定性。

高炉炼铁智能化现已演变为行业共识与主流趋势，学界与产业界已围绕数据整合、模型构建和智能决策等领域开展了大量研究。何家雷等^［3］提出了高炉炼铁数据预处理及分析挖掘研究方法。刘小杰等^［4］梳理了高炉多源异构数据融合的技术路线。高炉多模态数据主要包括时序数据、图像数据和文本数据。基于此，一些学者构建了AI模型，用于指导高炉生产^［5-6］。还有研究通过构建规则库调控铁水硅含量水平，并依托知识图谱完成炉况知识推理与状态分析等任务^［7-8］。然而，现有研究多采用数据驱动方法，虽在单一场景中适配性较强，但普遍存在全局泛化能力薄弱、对高炉黑箱结构解耦能力有限等问题。

近年来，ChatGPT、DeepSeek等大语言模型（Large Language Model， LLM）技术为进一步解析高炉黑箱结构提供了新的解决思路与技术途径。王丽娜等^［9］基于生成式时序LLM将透气性指数多步预测精度提升至91%。刘然等^［10］总结了高炉炼铁垂直LLM（Vertical LLM，V-LLM）的构建思路、应用及评价路线，指出仅依靠LLM驱动的智能应用，受实践经验匮乏与工艺约束不足的影响，存在可信度低且决策指令与生产协同性差等问题。工业智能体具备自主感知、实时交互、闭环执行与动态协同的优势，可有效弥补LLM在工程实际应用中的各类局限性。综上，推动LLM与工业智能体深度融合，已成为改变高炉炼铁智能化传统范式、实现其自主高效生产的重要发展方向。

1 高炉炼铁智能化的范式演进

近年来，我国高炉炼铁工艺与AI技术融合日趋深入，已由传统机理模型驱动范式逐步发展为LLM驱动范式，具体如图1所示。

1.1 机理模型驱动范式

机理模型以高炉冶炼过程的传热、传质和物料还原等物理化学规律为基础，通过理论推导构建数学模型，进而形成工艺调控方案以指导高炉生产。机理模型现多作为辅助工具，用于高炉前期工艺设计、理论参数核算等场景。

1.2 经验规则驱动范式

经验规则驱动范式以高炉现场资深专家经验、行业工艺准则及历史案例为核心，旨在将人工经验转化为标准显性规则，核心逻辑为经验固化、规则匹配。该范式依赖经验制定的固化规则，缺乏自主学习与迭代更新能力，且维护成本高、抗干扰能力弱，常面临规则失效与难以复用等问题。

1.3 数据模型驱动范式

数据模型驱动范式已成为高炉炼铁智能化的主流应用范式。该类模型在单一工况下适配性强、计算精度高，但对数据质量要求严格，且跨场景泛化能力有限。针对该问题，刘小杰等^［11］引入理论约束条件，构建了炉缸活性预测模型，拟合度达0.98。古志远等^［12］提出经验知识与数据结合的炉温预测方法，可有效提升模型泛化能力。尽管融合机理或经验能够有效优化数据模型，但在长时工业运行环境下，其优化效果有限，仍难以自适应低质量数据或陌生工况。

1.4 大模型驱动范式

LLM驱动范式以海量数据为基础，通过整合高炉全域多模态知识，衍生出炉况感知、决策推荐等高级功能，从全局角度实现高炉智能感知与黑箱解耦^［13］。该范式广泛用于知识查询、工艺参数推理和生产决策辅助等场景，但针对高炉炼铁的V-LLM研究较少，且存在推理过程缺乏约束、决策可信度低及实时性难匹配等问题。

2 大模型+工业智能体的协同、反馈与更新

LLM是一类具备超大规模参数的AI模型，利用海量文本、图像等多模态数据训练，从而习得强大的知识推理与文本生成能力。高炉炼铁V-LLM的构建是基于通用LLM并结合领域专属语料库进行二次微调，以增强其专业能力^［10］。工业智能体是承接上层决策指令、对接现场生产并实现智能化自主作业的智能执行终端^［14］。

2.1 大模型+工业智能体的协同升级架构

以高炉炼铁V-LLM为全局认知枢纽，结合工业智能体执行单元，设计并讨论了LLM+工业智能体的协同架构，如图2所示。工业智能体自主执行应符合标准化闭环逻辑，如图2（a）所示。智能体接收用户以自然语言形式发送的任务指令，依托V-LLM完成深度推理，明确任务目标、执行边界与工艺约束红线，进而生成工具调用逻辑与具体执行方案。任务完成后，智能体整合执行结果、风险评估及工艺调控建议，形成标准化响应并反馈至用户。其中，预设指令模板需由资深专家制定，用以约束智能体的逻辑推演与任务执行，有效降低违规推理、决策偏差及误执行的概率。

智能体的工具封装可归纳为三类：第一，面向行业标准与案例查询的浏览器接口；第二，定制化脚本程序；第三，开源工具接口，如翻译、分析等。智能体调用工具的过程具有循环迭代特征，当智能体反馈工具执行结果后，将依托V-LLM自动触发新一轮推理，判断任务目标是否达成以及执行结果是否合规，若未达目标则继续迭代执行，直至任务闭环。因此，预设指令模板的专业性与V-LLM推理过程的领域适配性，共同决定了智能体的执行效率与决策准确性。

图2（b）为高炉炼铁V-LLM的构建过程。依托通用LLM服务提供商，完成LLM本地离线化部署，部署应用过程中需严格厘清产权归属问题。随后，采用高炉炼铁机理、行业标准等领域通用数据对其开展增量预训练。最后，结合高炉实际生产场景，收集操作规程、异常处置案例及资深专家经验等数据，构建专属语料库，开展监督性微调，可得到高炉炼铁V-LLM。以该模型为基础，其与工业智能体的协作应用可分为4个阶段，如图2（c）所示。

（1） 外部工具插件的构建：以V-LLM为思考引擎，完成高炉炼铁场景下各类工具的标准化插件封装与调用规则定义。智能体可选择并调用工具完成数据查询、分析和计算等任务，实现对外部环境的感知与交互。该阶段的智能体属于简单反射型，仅通过V-LLM思考决定执行过程，无记忆引导。

（2） 模型上下文协议的构建：提供统一接口，实现数据库、工具等多源信息的认知对齐，并融合历史状态与实时感知信息，为智能体适配高炉动态演化，实现连续决策与闭环执行提供支撑。此外，检索增强生成（Retrieval-Augmented Generation， RAG）^［15］技术与V-LLM协作使用，可适配超长文本检索与上下文记忆增强场景，抑制模型推理的幻觉现象。该阶段的智能体属于基于模型的反射型，即通过融入历史状态实现环境感知与思考决策，可处理局部可观测性问题。

（3） 工业智能体（集群）的构建：该阶段以目标（集群）为导向，智能体依托V-LLM实现复杂任务拆解、任务规划与工具选择性调用等方案制订，自主执行任务，同时连续反馈执行数据与校验结果，直至V-LLM判定任务完成。基于目标的智能体（集群）增加了对既定目标的基础规划、执行与反馈能力，可高效适配单一任务。

（4） 工业智能体的技能标准化：构建基于效用驱动的智能体，实现对资深技能的标准化封装与定式存储，主要包括元数据层与指令层两类。元数据层定义技能名称、描述、使用及输出规范等内容，为智能体提供可调用的说明文档。指令层包括执行目标、执行步骤、思考规则、输入偏好及示例等内容的规范性设定，属于使用文档类型。本文后续内容均以具备标准化技能的工业智能体为研究对象。目前，LLM与工业智能体在钢铁领域已有初步协同应用。余志刚等^［16］基于LLM提出钢铁一体化调度的分层式混合多智能体，解决铁包、钢包和炼钢等多工序间复杂生产规则的耦合问题。曲泰安等^［17］基于“预测-知识-优化”流程构建了高炉热风炉控制智能体，使吨铁热风单耗降低14.8%，单季度节能效益达9000万元。由此可见，工业智能体技术的应用，正推动高炉炼铁智能化从智能感知决策向智能闭环式生产升级，降本增效潜力显著。

2.2 全链路嵌套式的信息闭环反馈与迭代更新

高炉冶炼过程的生产节奏、冶炼特征与运行规律呈周期性动态演化。图2所示的静态架构在长时间运行下易出现工况适配性持续衰减、决策泛化能力下降及领域知识滞后等问题。本文设计了“毫秒级边缘执行→小时级工况协同优化→日度级全局决策及反馈→月度级全生命周期迭代更新”的嵌套式信息反馈与迭代更新机制，如图3所示。

（1） 毫秒级边缘执行闭环（工序级智能体）：作为底层实时执行单元，该级智能体属执行类，主要面向高炉一线实操场景。智能体直接从底层数控系统实时采集生产数据，实现推理分析、指令执行及操作效果校验等环节的毫秒级响应，如布料调控、送风操作等。该智能体执行过程严格遵循预设指令模板。正常工况下，智能体将执行数据与校验结果以正向数据流形式实时分级反馈，一旦出现异常工况或参数预警，则立即触发应急闭锁机制，并以反向指令流形式提交预警信息，快速进入人工监督下的干预模式。

（2） 小时级工况协同优化闭环（目标级智能体）：作为现场执行与全局决策间的衔接单元，该级智能体属优化类。该类智能体以集群形式服务多场景优化目标，通过实时收集工序级智能体的执行数据，完成融合分析与特征提取，结合安全边界与工艺约束，生成小时尺度的最优工艺调控方案，并将其拆解为可执行指令。该类智能体可将优化效果、执行偏差等信息，通过正向数据与反向指令的双链路同步回流，用于方案修正、权重调整与优化策略的协同迭代。

（3） 日度级全局决策及反馈闭环（任务级智能体）：作为全局认知单元，该级智能体属调度类。智能体归集高炉生产日报、原燃料化验数据等多模态数据，依托V-LLM数据分析，结合领域知识图谱并融合RAG技术，完成全局炉况评估、炉况趋势推演与风险预警等功能。随后，基于厂级生产计划，完成生产调度排产、多工序协同调度等内容的全局规划，并将其拆解为小时级优化任务，以反向指令流形式下发。最后，通过日度生产效果评估，以正向数据流形式向上反馈数据的同时，完成决策逻辑迭代优化与知识图谱动态更新。

（4） 月度级全生命周期迭代更新闭环（周期级智能体）：作为系统顶层进化单元，该级智能体属检查类。智能体按月度周期完成全量数据归集与标准化处理，结合专家辅助分析，完成对高炉月度运行效果的综合量化评估。基于评估结果，首先对V-LLM增量预训练过程及参数组合进行人工修正。随后，利用语料库更新、LLM微调等技术完成高炉炼铁专属语料库的动态更新、V-LLM微调优化、预设指令模板修订及智能体技能迭代等系列任务。最后，将优化结果以反向指令流的形式同步至下级各闭环单元，实现整体智能体系的周期性提质升级。图3所示的机制可促进LLM与工业智能体协同应用，形成“认知→决策→执行→反馈→更新”的智能化闭环运行模式。该模式可推动高炉炼铁智能化从被动响应到主动认知、从静态建模到持续迭代、从单环节控制到全流程协同的转变，其具体范式对比差异如表1所示。

3 大模型+工业智能体的范式实施

从个人助理到工业场景解决方案，LLM+工业智能体范式已进入实际应用阶段。例如，鞍钢集团推出“鞍云智鼎”AI大模型平台，宝武集团发布了AI智慧高炉模型等^［18］。此外，河钢集团、南钢集团等企业也正逐步推进全域智能体的建设。然而，目前我国以AI赋能钢铁行业转型升级主要集中在LLM的集群式建设应用上。在高炉炼铁领域，面向特定工序、特定功能的智能体研发尚处于初步阶段。

3.1 大模型+工业智能体的通用实施路径

高炉冶炼强依赖专家经验与人机交互。基于此，本文结合高炉炼铁V-LLM的认知决策优势与工业智能体的自主执行能力，设计了“1中枢+5层级”的通用实施路径，如图4所示。

顶级规划层旨在构建V-LLM增量预训练、微调及智能体执行命令所需的前置规范约束，同时整合可利用的高炉数据与领域知识资产。基础支撑层重点在于搭建数据基础设施与算力硬件集群，为V-LLM训练、微调及智能体协同运行提供保障，并同步开展数据标准化治理，构建高炉炼铁领域专用语料库与案例库。

在前述技术的基础上，核心认知层实现领域语料数据的结构化表示，通过建立知识图谱动态更新及维护机制保证知识时效性，并以此对V-LLM进行指令微调与偏好设置，确保其推理、分析与决策过程贴合高炉现场作业习惯。

智能执行层负责开发适配不同场景的专用智能体集群，与闭环迭代层形成交互响应机制，通过单工序试点结合多工序联动策略开展运行测试，对智能体执行效果、关键冶炼指标改善情况进行综合量化评估，驱动智能体本体与技能库优化，实现V-LLM与智能体的动态迭代。该实施路径贯穿高炉生产安全与工况安全保障体系全过程，通过人工一票否决、全流程执行留痕和异常工况应急闭锁等管控机制，确保智能体的执行过程合规、可控，规避误操作风险。

3.2 高炉炉温智能监测、预警、决策智能体的构建与验证

为验证LLM+工业智能体协同范式在高炉炼铁智能化领域的先进性，基于LangChain与LangGraph框架，构建了高炉炉温智能监测、预警和决策的简易智能体，其技术框架与交互示例如图5所示。

该智能体以DoubaoSeed2.0 Lite为通用LLM基座，经增量预训练与微调可得高炉炼铁V-LLM，构建了从数据采集、智能分析、异常预警到决策生成的闭环工作流。图5所示的智能体可实时监测8个关键炉温点（如炉缸中心等），并实现温度趋势预测、异常判断与风险预警。同时，系统可智能生成包含风温、风量和喷煤量等关键参数的调控策略，在人工干预情况下可完成执行。具体内容可以通过访问https：//gitee.com/duan-yifan8848/bf_temp_-agent.获取。由于数据敏感性，开源项目采用虚拟数据，同时隐去专属语料库、预设指令模板的构建及通用LLM增量预训练与微调过程。初步运行实验表明，LLM+工业智能体的协同范式显著优于传统基于固定阈值的人工监测方法。该智能体的调控决策平均生成及响应时间低于30 s，经现场确认后匹配度达85%以上，最多可保留近40条对话历史，并以JSON格式实现历史数据记录的存储追溯。

3.3 大模型+工业智能体的应用效果评价体系

为量化分析大模型与工业智能体在高炉炼铁场景中的实际运行表现，本部分构建了工业智能体、高炉炼铁V-LLM及二者协同效能的三维评价体系（图6）。LLM与工业智能体的协同效能评价，围绕“V-LLM→推理结果输出→智能体执行→智能体技能迭代”和“智能体→校验数据归集→任务协同偏差分析→技能更新优化”两个环节，持续验证其稳定运行能力。

3.4 现存关键挑战与应对措施

挑战主要有以下几个方面。第一，高炉炼铁V-LLM的构建仍存在领域适配性不足的问题，难以深度融合高炉复杂工艺机理与海量专家经验。第二，高炉炼铁单工序专用智能体乃至集群的研发应用缺乏大量工业场景验证，且算力调度也需规模化的硬件支持。第三，LLM+工业智能体协同范式的理论建设尚不健全，同时量化评价体系也需有针对性的行业标准与规范进行约束。

针对上述问题，可从高质量、专业化和标准化高炉炼铁专属语料库的构建出发，强化工艺机理约束，提升V-LLM的领域适配性。其次，加大高炉单工序专用智能体及集群的研发投入，结合高炉生产开展充分的工业验证，同步部署高性能算力设施以支撑V-LLM与智能体的运行。最后，制定行业标准，并在“推理-验证-执行-校验”的全流程循环体系中嵌入人工审核环节，助力LLM+工业智能体协同范式在高炉炼铁智能化领域的规范化、规模化落地应用。

4 结束语

LLM与工业智能体的协同范式已成为推动高炉炼铁智能化生产水平跃升的重要驱动力。本文构建了“认知-决策-执行-反馈-迭代”的全链路闭环协同架构，并提出“1中枢+5层级”的通用技术实施路径及多维度评价体系，充分验证了该技术在提升智能化水平及降本增效中的显著优势，为高炉炼铁智能化的转型升级提供理论支撑与方案参考。

未来，随着高炉炼铁领域语料库的不断完善与专用智能体集群的规模化应用，LLM+工业智能体的协同范式必将逐步实现向高炉炼铁全流程、全工序的深度渗透，推动其实现“自主化决策执行、全炉役周期稳定高效运行”的高质量目标。

参考文献

[1] 张福成. 钢铁行业发展新质生产力路径的思考［J］. 钢铁，2024，59（11）：1-11.

[2] 蔡九菊，孙文强，岳强，等. 典型钢铁流程能耗能效分析及其碳排放评价［J］. 钢铁，2025，60（7）：59-70.

[3] 何家雷，唐珏，储满生，等. 基于大数据的高炉炼铁数据治理及挖掘的研究［J］. 钢铁研究学报，2024，36（7）：844-854.

[4] 刘小杰，李天顺，李欣，等. 高炉炼铁智能化发展的探讨与展望［J］. 中国冶金，2025，35（1）：1-14，31.

[5] 段一凡，刘小杰，李欣，等. 基于PCA决策的PSO-BP模型预测高炉铁水产量［J］. 中国冶金，2023，33（11）：114-126，137.

[6] 段一凡，刘然，刘小杰，等. 图像识别技术在高炉风口识别与监测中的应用前景探索［J］. 钢铁，2024，59（5）：56-70.

[7] 张玉洁，刘然，刘小杰，等. 基于规则库与工艺优化的高炉铁水硅含量调控模型［J］. 中国冶金，2025，35（7）：202-215.

[8] 段一凡，刘然，刘小杰，等. 知识图谱在高炉专家系统中的应用前景［J］. 中国冶金，2025，35（9）：150-164.

[9] 王丽娜，高明洋，李卓卿. 基于生成式时序大模型的高炉透气性指数预测方法［J］. 冶金自动化，2025，49（4）：81-91.

[10] 刘然，段一凡，刘小杰，等. 大模型驱动高炉炼铁智能化范式重构：演进、融合与展望［J］. 钢铁，2025，60（8）：1-19.

[11] 刘小杰，温梁亦欣，张玉洁，等. 基于理论分析和智能算法的高炉炉缸活性预测模型［J］. 中国冶金，2024，34（2）：83-95.

[12] 古志远，吕东澔，李向丽，等. 基于知识与数据相结合的高炉炉温融合预测［J］. 中国测试，2024，50（3）：19-28.

[13] 姜峒伯，朱德鑫，吴宏辉，等. 大语言模型赋能钢铁行业：技术与应用展望［J］. 冶金自动化，2025，49（4）：17-35.

[14] 袁雷，张子谦，李立和，等. 开放环境下的协作多智能体强化学习进展［J］. 中国科学（信息科学），2025，55（2）：217-268.

[15] Wei Qikai， Ning Huansheng， Han Chunlong，et al. A query-aware multi-path knowledge graph fusion approach for enhancing retrieval-augmented insgeneration in large language models［J］. Expert Systems with Applications，2026，316：131932.

[16] 余志刚，卢春苗，梁青艳，等. 基于大语言模型的混合多智能体在钢铁一体化调度中的研究［J］. 冶金自动化，2025，49（4）：125-133.

[17] 曲泰安，刘常鹏，刘洋，等. 基于AI智能体的高炉热风炉智能控制方法［J］. 冶金自动化，2025，49（5）：117-129，198.

[18] 刘劲松，窦克勤，刘欣，等. 工业智能体发展现状、关键技术与应用场景研究［J］. 数字化转型，2025，2（6）：79-86.

基金资助

国家重点研发计划项目(2024YFB3713901)

河北省自然科学基金资助项目(E2024209101)

河北省创新能力提升计划项目(23560301D)

华北理工大学研究生创新项目(CXZZBS2025150)