大气污染防治是一项重要而复杂的任务。大气污染相关数据来源多样、格式复杂、更新频繁，传统信息化分析系统在整合调度、交互体验与智能支持方面的不足逐渐显现。在此背景下，基于大语言模型的AI辅助决策技术为大气污染防治注入了强大的科技动能，有望实现从“人找数据”到“数据找人”、从“被动响应”到“主动预警”的决策模式变革。

技术应用取得初步成效

北京市大兴区生态环境局课题组在充分调研的基础上，结合现有的涉气数据与功能，探索构建了多个空气质量分析智能体，初步形成了“感知—规划—执行—呈现”的智能闭环流程，并得到实践应用。

在用户意图识别与上下文关联方面，系统能够深度理解用户以自然语言提出的复杂业务问题，并能结合对话上下文进行语义消歧与意图补全。例如用户询问“大兴黄村站点昨天下午的污染原因”时，系统能准确识别时间、空间和业务意图，并自动关联相关气象数据、源解析结果和周边污染源信息，为后续深度分析奠定基础。

工作流规划与路由调度更智能。基于识别出的用户意图，大语言模型可以规划生成最优分析路径。比如面对“分析北京北燃热力有限公司当前排放对周边影响”的请求，系统能够将其分解为一系列子任务，并自动调度相应的数据查询、模型计算和报告生成智能体协同响应。

多源数据与功能接口整合更高效。系统深度整合了多源数据与业务功能，当需要进行点位污染溯源时，可同时从生态环境数据资源中心获取多源数据，并一键调用扩散模拟、轨迹分析等专业模型，进行多证据链的综合分析，增强了决策的科学性和可靠性。

实现专业化的交互式回答与效果呈现。可生成具有较强可读性和实用性的分析结果。例如针对一次具体的PM2.5异常事件，系统不仅生成了包含时序变化、空间分布、源解析占比的专业图表，还结合气象条件和周边源分布给出了污染物排放方位等具体研判结论以及巡查重点建议，并通过交互式地图直观展示污染扩散范围和重点排查区域，提高了决策支持效率。

存在的问题与挑战分析

空气质量分析智能体在实际运用的过程中也暴露出一些问题。大语言模型自身存在局限性。大语言模型在生成内容时存在“编造”专业数据、结论的风险，影响生态环境决策的准确性。通用大模型的专业知识和本地数据更新滞后，知识库更新维护成本高。专业推理能力不足，难以替代基于物理化学规律的机理模型进行复杂数值预测和溯源反演。处理长序列历史数据、高分辨率模型输出、多轮上下文对话时，可能受限于上下文窗口长度。

智能体的应用目前多集中于数据查询和简单规则判断方面，在复杂决策场景下的决策准确性仍有待提升。智能体的“思考”过程难以通过深度关联、因果推断进行多源数据融合分析。决策过程不透明，生成的结论和建议缺乏清晰的逻辑依据，模型结果的可解释性差，影响用户对结果的采信。智能体的稳定性、可靠性、灵活性高度依赖高质量的流程编排、提示词和知识库，其设计、优化和维护需要复合型人才。

数据与模型壁垒尚未完全打通。数据种类多源异构以及数据质量参差不齐等因素直接影响智能体判断和模型模拟结果。当前智能体与专业机理模型之间还处于“浅层调用”或“结果拼接”阶段，未能实现深度交互与迭代优化纠偏。智能分析结果多停留在辅助信息展示层面，尚未形成自动化、智能化的“决策—行动—反馈”业务闭环。

系统优化与成果应用

在上述实践与分析基础上，北京市大兴区生态环境局对空气质量分析智能体系统进行了优化。

在技术融合创新方面，强化知识库建设，深入应用检索增强生成技术，构建覆盖政策、标准、源谱、案例的领域知识库，确保大语言模型生成内容基于本地、权威、最新信息；优化推理规划，采用更先进的推理框架和提示词策略，让智能体具备多步骤推理和规划能力，增强复杂问题处理的逻辑性和深度；加强智能体的可解释性设计，要求其不仅输出结论，更清晰展示推理依据、数据来源和关键计算步骤。

在保障能力建设方面，提升数据治理水平，加强监测设备运维与数据质控，制定分场景的精细化策略，提升多源异构数据在时空尺度上的数据及时性、完整性、稳定性，以统一的数据中台对多源异构数据进行标准化处理；将关键大气机理模型进行封装和微服务化改造，提供标准、高效的API接口，实现模型的“即插即用”“按需调用”，支撑智能体的实时交互需求。

在应用模式优化方面，深耕典型应用场景形成可复制的解决方案；将智能体分析结果与执法、调度、减排等业务管理系统对接，实现“问题发现—分析诊断—措施推荐—任务下发—效果反馈”的全流程智能化闭环管理；设计反馈闭环，允许用户对智能体输出结果进行评价和纠正，并利用反馈情况持续优化模型和提示词。

经过优化，更为完备的“大气污染溯源预警与扩散推演AI辅助决策系统”投入应用。

建成业务化运行的AI辅助决策平台。基于国产大语言模型智能调度，集成“精准问数、自助问答、智能问诊”三大功能，由十余个专业智能体协同工作。包括数据查询类、分析诊断类和模型模拟类智能体，提供“监测预警—溯源解析—模拟推演”一站式分析。

形成可复制的技术方法论。验证了以大语言模型为智能调度中枢串联多智能体解决复杂大气问题的技术路径，用户通过单一对话界面即可完成跨系统操作。建立了多数据、多模型交叉溯源模式，融合风场分析、源解析、污染源清单和遥感数据，可生成含溯源路径和概率判断的智能诊断报告，并关联处置建议。

产生积极的应用成效。将以往需要点击多页面的分析工作精简至一个会话框内，数据搜集与分析效率极大提升；在污染过程中可在5分钟内初步完成溯源定位；通过多源数据与专业模型融合呈现，增强决策科学性，推动从“经验治污”向精准治污、科学治污转变。

展望未来，大气污染防治AI辅助决策技术将呈现“场景新增—功能深化”的双向迭代格局。应用场景将从单一监测与溯源拓展至跨区域联防、应急响应推演、减排成效评估与公众服务，形成覆盖“监测—研判—治理—评估—反馈”的全链条体系。溯源分析在功能上将从单点定位迈向多源因果链推理，由扩散模拟逐步提升为更高时空分辨率的动态推演，并引入不确定性量化。决策支持方面将从静态结论展示迭代为可解释、可执行、可反馈的行动方案推送。随着多源数据深度融合、机理模型与大语言模型的紧密耦合，一个集智能感知、动态推演和精准调度于一体的“大气环境超脑”将逐步成型，使治理模式真正由经验驱动向智能驱动转型。

作者单位：北京市大兴区生态环境局