你家楼里的水是怎么上来的不是直接从市政管网来的。大多数城市小区地下有一套二次供水泵房——负责把水加压再送到每一层。这套设备很少有人注意但一旦出问题影响的是整栋楼的用水。过去这套设备是靠人巡检的。有没有报警传感器有没有超值出了问题再去排查。我们设计了另一套方案让 AI 持续盯着这台设备像医生一样持续体检提前发现隐患、解释原因、给出处置建议。1. 先说清楚这个系统要解决什么问题泵房里的传感器其实一直在采集数据压力、流量、电压、电流、液位、报警信号……数据不少但光有数据没用。传统的报警逻辑是超过阈值就报警——这更像一个门铃只负责响不负责说清楚出了什么问题。运维人员真正需要的是三件事① 这台设备现在健不健康② 如果有问题根因是什么③ 我应该先去检查哪里这套 AI 智能体系统就是为这三个问题设计的。2. 数据两层原始指标 计算指标系统把数据分成两层处理。第一层原始指标直接来自传感器和 PLC出水压力、流量、电压电流、液位、设备运行状态、告警信号。这层数据告诉你现场发生了什么。第二层计算指标由云端脚本引擎对原始数据加工得出泵组效率、水电比每吨水耗电量、压力稳定性方差、单位能耗偏离度、泵组切换频率……这层数据才是真正有分析价值的。就像体检报告抽血结果只是原始数据真正重要的是医生根据多项指标综合判断你的健康状态。另外——泵房还有摄像头和麦克风。设备位移、漏水痕迹、电机异响这些都是多模态数据。它们体量大不能全传云端所以我们在边缘侧先做轻量 AI 预处理只把特征和事件上报云端节省带宽和计算成本。3. 快慢双轨AI 用在最值的地方这套系统最务实的设计是对异常做分流。快系统确定性硬故障不走 AI直接处理PLC 明确报出缺水停机、超压停机、传感器物理掉线——因果清晰无需大模型推理。规则引擎直接扣分、报警、推送工单秒级响应。慢系统复杂隐患才交给 AI 深度分析泵组效率持续下滑、压力方差升高、单位能耗偏离历史均值——这类问题有多种可能的根因才值得拉 AI 来开专家会。这个分流设计非常关键。AI 大模型调用有成本工业场景里更讲究精准——只有真正复杂、真正需要推理的问题才值得动用 AI。4. GraphRAG让 AI 看懂设备之间的物理关系普通的 AI 问答更像查文档——你问一个问题它从知识库里找最相关的段落回答你。但泵房故障有很强的物理联动一个出口压力异常可能和变频器、水泵、阀门、管网末端、传感器都有关系。如果 AI 只看单点数据很容易给出片面结论。我们引入了GraphRAG——基于知识图谱的检索增强。它把这些东西连成一张图设备之间的拓扑关系谁在谁上游每个指标的业务定义和异常机理历史上类似故障的处置经验专家录入当前运行工况和环境上下文当 AI 在分析出口压力波动大时它不会只说压力异常而是进一步关联是变频器 PID 控制参数不稳是管网末端阀门异常节流是泵组切换策略有问题还是压力传感器本身数据质量不可靠这才接近一名有经验的现场工程师在做分析而不是在查 FAQ。5. 多 Agent 交叉验证避免大模型一本正经地说错供水系统是高安全场景不能让一个大模型独自拍板。为什么一个 AI 不够大模型有一个天然的问题它很善于看起来言之有理。你给它一段异常数据它会输出一个听起来很专业的分析——但在高安全场景里听起来对和真的对是两件事。工业现场的故障往往可以从多个专业视角解读不同的工程师看同一个现象结论可能完全不同。这不是谁的问题而是真实世界里工业系统的复杂性使然。我们的做法让三个不同倾向的 Agent 同时分析互相验证。• Agent A电气视角倾向激进优先考虑电气故障、变频器问题、电机老化倾向判断更高风险等级• Agent B安全视角倾向保守优先考虑安全保护逻辑、停机风险倾向谨慎维稳、避免误操作• Agent C水力视角中立从管网水力机械角度分析关注泵组运行工况、管网压差、流量平衡同一个异常比如出口压力持续低于设定值Agent A 可能判断变频器输出异常HIGH 风险Agent B 可能判断供水不足风险建议立即触发备用泵CRITICALAgent C 可能判断末端用水量峰值导致短暂压降属正常工况LOW 风险裁决 Agent 对比三份报告评估置信度三者结论接近 → 直接输出风险等级和可执行建议三者分歧严重 → 触发 Human-in-the-Loop人类在环推给高级工程师人工审核。AI 不降分、不自行决策等人来判断。这个机制的核心价值AI 知道自己什么时候不该拍板。工业 AI 真正的边界感不是无所不知而是在不确定的时候及时交给人。6. 健康度评分规则 × AI稳定且可解释最终系统会给每个泵房输出一个健康度分数支持按小时、日、月周期。但这个分不是大模型随口打的而是两层合并计算第一层客观规则扣分稳定可复现第二层AI 判断风险系数上下文敏感同样是压力波动——工况正常波动是 LOW×0.5设备劣化前兆是 HIGH×1.5数据故障可能是 CRITICAL×2.0。最终扣分 客观基础扣分 × AI 风险系数规则保证分数稳定可追溯AI 负责理解复杂上下文互相补位。7. 真正的价值不是分数是可执行的建议健康分 78 分——这个数字本身意义不大。系统真正交付给运维管理者的是这样的内容数据质量维度HIGH 风险 控制效率维度MEDIUM 风险 设备健康维度LOW 风险每条建议有来源依据、关联指标、优先级——不是模糊的需要关注而是可以直接派工单的操作指令。专家处置完成后处置结果可以写回知识图谱——下次遇到同类问题AI 可以直接复用这段经验系统越用越准。8. 复盘这套设计最值得借鉴的 4 点① AI 没有替代规则而是和规则分层协作客观扣分靠规则风险判断靠 AI两者各司其职。不迷信 AI 全自动也不用死板规则限制住所有判断。② 大模型不是用来处理所有告警的而是通过快慢双轨精准调用只有真正复杂的隐患才进慢系统硬故障秒级处理不走 AI。算力花在刀刃上。③ GraphRAG 把设备物理拓扑和专家经验都连进来不只是语义搜索文档而是在设备关系图上做有物理意义的推理分析结论更接近现场工程师的判断。④ 保留人工审核机制不在高安全场景里盲目自动化多 Agent 分歧大时强制触发人类在环AI 主动认识自己的边界不硬猜不乱扣分。结尾城市地下有很多这样的泵房安静地工作很少被人注意。传统运维方式里它们靠定期巡检和报警维持出了问题才知道。这套方案想做的是让泵房有一套持续运转的AI 体检医生数据自己上报系统持续分析AI 辅助判断专家经验不断沉淀。从坏了再修变成变坏之前就知道还能说清楚为什么、该怎么处置。这可能才是 AI Agent 在工业基础设施里最现实、最有价值的落地方式。如果你也在做工业 AI 或智慧城市相关的项目欢迎交流。