架构 2026年8月27日
龙虎斗大模型：LLM已经读完所有Supplier文件以后，为什么正式PCF仍然必须交给Calculation Engine而不是让它直接生成一个数字？
龙虎斗大模型读完了一个产品的全部供应商文件：四十几份PDF报告、十几个Excel表格、上百封邮件。它能准确提取每一条PCF数值、边界、年份和方法，能发现三家供应商的边界与本产品不一致，能指出两条数据的年份已经过旧。到这一步，有人会问：既然它已经理解了所有输入，为什么不让它直接算出PCF？龙虎斗大模型的回答是：因为理解输入和执行计算是两件事，而正式PCF需要的是第二件事的三个属性：可复现、可审计、可版本化。数字为示意。
可复现的意思是：同样的输入和配置，在任何时候、由任何人运行，得到同样的结果。这是确定性计算引擎的基本属性，也是LLM不具备的属性。LLM的输出受采样、上下文、提示词和模型版本影响，同一个问题问两次可能得到略有不同的数字。对于解释和建议，这种差异可以接受；对于要进入供应链交换、客户Scope 3或法规提交的正式PCF，这种差异不可接受。当验证方要求“重算一遍”时，答案必须与原来一致。
可审计的意思是：结果的每一部分都能追溯到具体的输入、因子和规则。Calculation Engine的Audit Trail记录：这个物料用了哪条供应商数据或哪个因子、这个工序的能耗来自哪块表和哪个时间窗口、这条运输用了哪个运输因子、分配用了哪条规则。LLM生成的数字没有这样的记录，它的“推理过程”不是审计意义上的追溯链。即使让它输出推理步骤，那些步骤也不是它实际执行的确定性计算。
可版本化的意思是：结果与它依赖的六个维度（产品版本、BOM版本、供应商数据版本、因子版本、工厂数据期间、边界）绑定，任何维度变化产生新版本，旧版本保留。这要求计算过程本身是参数化的、可以被系统化地重新执行的。引擎天然满足这一点；LLM每次都是一次新的生成，无法保证新版本与旧版本之间只有被声明的维度发生了变化。
那么LLM在这个流程里做什么？很多，而且都是引擎做不了的。第一是理解非结构化输入：从PDF和邮件里提取结构化字段，这是引擎的输入准备。第二是检查一致性：发现边界不匹配、单位不一致、年份过旧，这些在数据进入引擎之前拦住。第三是解释结果：引擎算出16 kgCO2e，LLM读取Audit Trail和版本账本，写出“比上版下降2，其中壳体减重贡献0.6，供应商数据替换贡献0.9，因子更新贡献0.4，期间差异0.1”这段话。第四是Scenario交互：把“换成B供应商会怎样”翻译成引擎参数，调用引擎，把结果翻译回自然语言并标为估算。第五是发现缺口和排优先级：哪些物料还是行业平均值，先补哪个。
龙虎斗大模型的架构因此是分层的：数据进来先过Data Quality，然后进Calculation Engine得到正式结果，Energy和Emission模型处理工厂侧，Optimization模型和Scenario引擎处理方案，大模型在最上层负责与人的交互和对下层结果的解释，最后是Human Review。LLM不在计算路径上，它在计算路径的两端：输入端做理解和检查，输出端做解释和交互。
有一个常见的反驳：如果LLM足够强，让它调用引擎不就行了？这正是龙虎斗大模型的做法。LLM可以调用引擎，但正式数字来自引擎的返回值，不来自LLM的生成。区别在于：如果用户问“这个产品的PCF是多少”，答案是引擎查出来的那个带版本号的数，而不是LLM根据它读过的文件“估计”的数。前者可以追溯，后者不能。让LLM读懂所有文件，是为了让它更好地准备输入、检查一致性和解释输出，而不是为了让它取代那个能被审计的计算。
减排决策 2026年8月23日
龙虎斗模型已经发现某原材料贡献了产品40%的碳足迹以后，为什么“换供应商”仍然不能自动成为最佳答案？
龙虎斗模型在一个工业设备的Contribution Tree上找到了Hotspot：一种铝合金原材料占了总PCF的40%。Hotspot找到了，减排方向看起来很清楚：换一家低碳铝供应商。Scenario引擎算了一下，换成B供应商，PCF预计下降9%。这个方案被放进了减排清单的第一位。龙虎斗模型的下一步不是推荐执行，而是列出在执行之前必须回答的问题。数字为示意。
第一组问题关于B的数据本身。B提供的PCF验证过吗？边界与A一致吗？如果B的数字是Cradle-to-Gate而A的包含了运输，比较从一开始就不公平。B的参考年份是哪年？B的数据是这个特定牌号的铝合金还是一个产品系列的平均？这些问题不解决，“下降9%”可能只是数据口径的差异，不是真实的减排。
第二组问题关于供应链。B的质量能满足要求吗？铝合金的成分、力学性能、表面质量是否通过了工程认证？B的交期和产能能满足吗？B的运输距离是不是变长了，运输方式是什么？如果B在2000公里外而A在200公里外，运输段的变化可能吃掉一部分材料段的收益。B的价格是多少？采购不会为了减排接受一个明显更贵的供应商，除非有人愿意为这个差价买单。
第三组问题关于替代方案。40%的贡献来自这种铝合金，减少它的用量也能减少贡献：能不能减重？能不能改用回收料比例更高的牌号？能不能通过提高Yield减少每件产品消耗的铝？这些方案不需要换供应商，不涉及认证和交期风险，而且可能同时降低材料成本。它们的Impact可能比换供应商小，但Difficulty也小得多。
龙虎斗模型把这些放进一张Abatement Option表：换供应商B（-9%，成本待采购评估，难度高：验证、认证、交期）；壳体减重5%（-2%，工程投入，难度中）；改用高回收料牌号（-4%，待供应商确认，难度中）；提高Yield 3个百分点（-1.5%，工艺投入，难度中）。四个方案并列，每个方案的Impact是Scenario估算，Cost来自企业自己的数据或标注为待评估，Difficulty来自采购和工程的判断。表上没有“最佳答案”，只有按不同维度排序的候选。
为什么AI不能自动选出最佳？因为“最佳”取决于权重，而权重不在数据里。一家企业如果面临客户的明确减排要求，可能愿意承担换供应商的难度；另一家企业如果成本压力大，可能先做减重和Yield。同一家企业在不同季度的权重也可能不同。AI能做的是把每个方案的每个维度都摆清楚，让决策的人看到完整的代价和收益；它不能替决策的人决定他们更在乎什么。
还有一层：即使决定换供应商，这个方案在执行之前仍然是Scenario。B的数据要验证，工程认证要通过，运输合同要签，第一批货要到。在此之前，PCF的正式版本不变，Scenario版本单独保存，界面上标为估算。当切换真正发生、B的数据进入系统、新批次的运输记录回流以后，新的正式版本才会产生，而且它的数字很可能与Scenario估算的不完全一样，差异要记录在版本账本里。
龙虎斗模型在这件事上的立场是：找到Hotspot是分析的结束，不是决策的开始；决策需要的信息比“哪里最大”多得多，而AI的工作是把这些信息完整地摆出来。一个在找到40%之后立刻输出“换供应商”的AI，省掉的不是工程师的时间，而是决策本身。
Agent边界 2026年8月19日
龙虎斗AI已经能够同时优化Energy、Carbon和Production以后，为什么Green Factory Agent最重要的能力之一可能是知道哪些建议绝对不能自动执行？
龙虎斗AI的Optimization模型已经能在Energy、Carbon和Production三个目标之间做权衡，给出一组帕累托意义上都不差的排产方案。技术上，它可以直接把选中的方案写进MES。龙虎斗大模型的设计里，它不这样做。一个能同时优化三个目标的Agent，最危险的时刻恰恰是它确信自己找到了最优解的时候，因为它的“最优”只在它知道的约束里成立，而工厂里最重要的约束往往是它不知道的。
Green Factory Agent的执行边界分三层。第一层是可以自动做的：检测能耗异常并推送、预测明天的负荷与峰值、把夜间能耗按可关和需Standby分类、识别压缩空气泄漏的可疑区域、模拟排产方案并拆解影响、生成待审批的变更申请、在方案执行后对比实际与预测。这些动作的共同点是：它们产生信息，不改变工厂的物理状态。
第二层是必须经审批的：调整生产计划和工单顺序、改变工艺参数、启动或停止主要设备、改变Standby策略、在允许范围内调整环境控制设定值。这些动作改变工厂的运行，每一个都可能影响交付、质量、设备寿命或人员安排。Agent可以提出，可以把影响拆到每一关，但执行前必须过Decision Gate，由生产、设备和安全三方确认。
第三层是绝对不能碰的：安全联锁和应急系统的任何设置、把环境控制调到生产允许范围之外（例如为了节电让洁净室失压或恒温车间超温）、高风险工艺的直接控制、以及所有修改正式碳数据的操作（Source Data、Approved Factor、Verified PCF）。这些操作Agent不提出、不建议、不提供接口。它们不在Agent的动作空间里。
为什么第三层要如此明确？因为一个多目标优化模型在搜索空间足够大时，会找到人类没有预料到的解。如果安全联锁的设置在它的动作空间里，它可能发现“暂时关闭某个联锁可以让设备连续运行、减少启停能耗”，从三个目标看这是一个好解。把它从动作空间里拿掉，不是限制AI的能力，而是定义AI的问题：它优化的是“在安全约束不变的前提下”的Energy、Carbon和Production，安全约束本身不是变量。
第二层的审批也不是形式。Agent提出“三条线错峰40分钟”，它知道能源影响和碳影响，它从MES知道交付节点，它从设备台账知道维护窗口。但它不知道二线的一批急单是客户昨天口头提前的，不知道某台设备昨天刚修过还不稳定，不知道今晚夜班缺两个人。这些信息在排产员和班组长脑子里，不在任何系统里。Decision Gate把这些信息的持有者放进流程，让方案在执行前经过他们。审批通过率不是Agent的KPI，方案被退回并修改，是流程在正常工作。
还有Scenario与Actual的边界。Agent模拟的所有结果都是估算，界面上标为Scenario / Estimated；只有Measure Result得到的才是Actual。一个Agent如果把自己预测的“节省8%”写进月报，它就制造了一个从未发生的减排。龙虎斗大模型在数据结构上把Scenario和Actual分开存储，Scenario不能导出为正式报告，这是一个刻意的技术限制。
所以一个成熟的Green Factory Agent的能力清单里，除了预测、检测、模拟和优化，还有一项：知道自己的边界在哪里，并且在边界上停下来。它在边界内主动、在边界上等待、在边界外沉默。这项能力不会出现在任何优化目标函数里，但没有它，前面所有的能力都无法被工厂信任，也就无法被工厂使用。
