AI“智”理城市痛点，隧道股份多款智能体破解港口、轨交、能源多领域痛点

由上海市国资委指导，库帕思主办，隧道股份、上实集团、人民网上海频道等联合支持的CICC 2026智能体开放主题黑客松挑战赛决赛近日落下帷幕。这场大赛的定位很清晰：政府搭台，企业出题，英才答题，最后资本助力，形成一个完整闭环。它聚焦的可不是什么虚的、高的概念，而是产业里那些真实存在的痛点——说白了，就是要看人工智能到底能不能解决实际问题，给出一个看得见摸得着的“上海方案”。

从决赛现场来看，隧道股份的参赛队伍交出的答卷相当扎实。他们的目标非常明确：围绕上海国际航运中心的“疏堵”难题、超大城市的轨道“应急”痛点、大型公共建筑的“降碳”需求，从零开始，一批批有针对性地解决实际问题的AI智能体就这么诞生了。这些团队把大模型、多智能体协同这些听起来高大上的前沿技术，直接“植入”到了大型基础设施调度的具体环节里。结果就是，这些AI智能体不再是实验室里的玩具，而是能在一线解决生产痛点的实战高手，实实在在地服务于交通运行效率和城市治理能力的提升。

解码交通：用AI为全球第一大港“疏堵”

洋山深水港，上海最大港口，货物吞吐量全球第一。但一个尴尬的现实是，在海船往来如织、作业效率领先世界的同时，码头前时而排起的货车长龙，成了制约这座超级港口整体效率的关键瓶颈。

由隧道股份城建设计集团与中城交组成的联合团队，这次就把前沿AI技术瞄准了这个痛点。他们打造的“港口集疏运路网车流预测与拥堵传播预警智能体”，目标很纯粹：提升陆路集疏运体系的效率，打通这个发展瓶颈。

目前，洋山港各码头的集疏运车辆，主要还是靠自行到达，预约到港是辅助手段。这个模式带来的问题很明显：车辆到达时间分布不均衡，跟码头作业节奏的匹配度有待提高，容易导致车辆在港区附近扎堆等待。联合团队的解决方案，是构建一套港口集疏运车辆智能预测系统。通过对集卡车辆实时GPS轨迹的采集分析，融合预约、进出闸、船期、在泊、任务计划等多源数据，再利用模型和人工智能技术，对车辆的到达、离开时间进行预测。

领队薛骁解释得很直白：“简单说，我们要知道车辆在哪，然后综合考虑船期波动、箱区任务变化这些因素，预测可能发生的拥堵，最终目的就是减少车辆的等待时间。”这套预测能力，可以辅助港口进行作业排班和交通管控决策，减少拥堵和等待，优化港区交通秩序。

这个智能体的技术亮点，在于它多层级的预测架构。它采用了“近期分层预测+停留建模+远期深度学习融合”的技术路径，实现了对车辆行程时间的多维度预测。系统能基于车辆实时GPS数据，不断优化预测模型，从宏观的历史规律，到实时的特征调整，再到微观的序列捕捉，进行动态更新。这就像一位经验丰富的调度员，能根据实时路况灵活调整策略。

更值得一提的是，团队把自然语言交互能力融入了系统设计。薛骁表示：“港口调度人员不需要了解背后的算法，他们只需要通过自然对话，就能获取所需的预测信息和调度建议。”这意味着，这套系统不只是在解决洋山港眼前的问题，他们的最终目标是形成一套可复制、可推广的智能港口集疏运管理系统产品，为更多港口的陆路集疏运体系提供“上海方案”。

应急一线通：让轨道交通应急响应快人一步

轨道交通是超大城市的“主动脉”，车站人流密集，设备系统复杂，岗位协调链条长。一旦发生突发事件，应急处置必须做到快速响应、精准分工、高效联动。如何让一线人员在第一时间明确“该做什么、先做什么、联系谁、做到哪一步”，成了提升城市交通安全韧性的关键。

隧道股份城市运营与中数途科技组成的“智城先锋”团队，这次把AI技术瞄准了轨道交通应急处置这个复杂场景，打造了“应急一线通——多岗位协同应急处置智能联动平台”。这个平台聚焦车站火灾这类典型突发事件，通过多智能体协同、预案智能解析、任务自动拆解和岗位精准推送，推动传统“人工传递、分散响应”的应急模式，向“智能解析、协同联动、全过程留痕”的新模式全面跃升。

传统轨道交通应急处置的一个老大难问题，是应急预案大多以Word、PDF等文档形式“沉睡”在电脑里。突发事件来了，值班人员得人工查找预案，逐条理解流程，逐级通知岗位，再根据现场情况推进处置。面对车站火灾这类多岗位、多系统、多环节联动的复杂场景，信息传递链长、岗位协同不直观、任务容易漏项、过程难以复盘等问题长期存在。

领队吉赫直言：“简单说，我们希望把躺在文档里的预案，变成可以直接运行的任务链。”平台先通过大模型对应急预案进行深度解析，提取事件类型、岗位职责、处置动作、时间要求和协同关系，再将其转化为“岗位×时间”的结构化任务流程。预案不再是静态文本，而是可以被检索、审核、编排、执行的智能流程。

当现场人员输入“某车站站厅发生火情，有浓烟冒出”这类自然语言描述后，系统能自动识别事件类型、位置和影响程度，快速匹配相应应急处置规程，并生成不同岗位的任务清单。值班调度长、运营调度员、设备调度员、车站值班站长、车站值班员、站务员等各岗位人员，都能收到与自身职责精准对应的任务，大幅减少人工逐级传递带来的时间损耗和信息偏差。

这套系统的核心，不是简单的问答机器人，而是一套面向应急处置全过程的多智能体协同体系。平台围绕车站火灾场景，构建了事件解析智能体、预案匹配智能体、任务拆解智能体、岗位推送智能体、问答辅助智能体和复盘评估智能体。事件发生后，系统先识别突发事件信息，再匹配最合适的预案，然后按岗位职责拆解任务，并同步推送至不同岗位。岗位人员可以确认接收任务、反馈执行状态，也可以通过自然语言向问答辅助智能体询问“我现在该做什么”“需要联系谁”“处置依据是什么”等问题。

在技术实现上，平台采用前后端分离和多端适配架构，覆盖管理后台、指挥中心大屏、移动端现场处置等入口。后端基于FastAPI和LangGraph构建多智能体执行与解析引擎，前端支持预案解析工作台、执行监控中心和应急联动指挥大屏，移动端则服务现场岗位人员接收任务、确认反馈和上报处置情况。应急处置不再依赖电话、对讲机、微信群逐人通知，而是由一个“智能调度大脑”统一编排。系统自动触发的节点直接进入流程，需要人工确认的节点精准推送到岗位人员手中。后台、大屏和移动端看到的是一套同步的任务状态，指挥中心能实时掌握事件进展，一线人员也能清晰了解自己的任务和协同对象。

轨道交通突发事件处置不仅要求快速启动，更要求过程可控、结果可复盘。过去，任务下发、确认、反馈分散在电话、对讲、人工记录中，事后复盘依赖会议纪要和人员回忆，难以量化分析响应时效、任务完成率和协同效率。“应急一线通”把全过程留痕作为重要能力。系统能记录任务生成、推送、确认、执行反馈和问答日志，并在大屏上展示事件状态、岗位进度、超时预警、处置时间轴和复盘统计。处置结束后，平台可以输出任务完成率、响应时间、协同效率等统计结果，为后续优化应急流程和完善预案提供量化依据。吉赫把这一变化总结为三个转变：从“电话问进展”到“看板看全局”，从“人工查预案”到“智能拆任务”，从“智能体给建议”到“业务岗位真执行”。

虽然这次项目以轨道交通车站火灾为切入点，但其背后的能力不局限于单一场景。只要具备应急预案、岗位职责、处置流程和现场反馈机制，这套“预案解析—任务拆解—岗位联动—过程监控—复盘优化”的方法，完全可以复制到高速公路与隧道、城市综合管廊、工业园区安全、大型活动场馆、商业综合体等更多城市安全和基础设施运行场景。

解码能源：用AI为复杂多元能源系统装上“智慧大脑”

零碳园区、综合能源站这些新型能源形态正在快速涌现。但一个尴尬的现实是：很多园区花大价钱配备了光伏、储能、三联供等全套先进设备，却因为运维人员“不敢调、不会调”，导致系统常年固守在保守有余、效率不足的“安全稳定”模式上。

在决赛舞台上，隧道股份上海能建团队带着“综合能源AI智能管家”亮相，用“知识驱动”的全新技术范式，为复杂多元能源系统打造了一位会思考、能决策、自动干的“智能管家”。这有望唤醒数以亿计正在“沉睡”的节能潜力。

领队李子祥一针见血地指出了行业痛点：“现实困境是，很多能源系统一身‘肌肉’，却只有一个‘原始’大脑。”当前，综合能源系统集成了风电、光伏、储能电池、锅炉、三联供、电制冷、冷却塔等多种设备，子系统之间高度耦合，调控逻辑极其复杂。操作策略长期依赖“老师傅”的个人经验，一旦成熟运维人员离岗，能力也随之带走；场景环境一变，经验又容易失灵。

参赛团队的解决方案直击这个核心矛盾：为“肌肉”配上“智慧大脑”。通过构建“综合能源AI智能管家”，只有基础能力的运维人员，也能通过“自然语言”对话，轻松完成专家级的系统优化控制，实现降本增效。“我们要让系统自己学会思考，而不是永远等着人来告诉它该怎么做。”李子祥表示。

这个产品的核心突破，在于实现了从“经验驱动”到“案例驱动”再到“知识驱动”的三级跨越。经验驱动阶段，运维高度依赖个人经验和既定流程，结果不可控；案例驱动阶段，系统基于历史数据进行模式匹配，虽然有所进步，但只能寻找“相似”案例，给出可行策略而非最优策略。

“我们的‘知识驱动’范式，本质是将领域专家的经验固化为可复用、可迭代、可自动执行的知识体系。”李子祥介绍，该系统以大语言模型为“大脑”，负责任务理解与决策；通过Harness任务编排中枢，智能拆解复杂工作流；再调用设备容量优化、运行策略优化、运行仿真、数据查询、3D场景控制等领域原子工具集，形成完整的“感知—决策—执行”闭环。“它不只看到‘过去’和‘现在’，还能结合气象数据、能源价格、碳价格等多源信息预测未来，在约束条件下自动寻优。”

尤其值得关注的是系统在工业级安全层面的设计。沙箱环境、严格资源限制、数据物理隔离、指令检查、参数校验、超时控制等多重机制，确保AI在“放手干活”的同时，始终处于安全可控的边界之内。

“综合能源AI智能管家”的真正价值，在于打通了复杂多元能源系统从信息采集到指令执行的全链条智能化运维闭环。系统实时接入气象信息、能源价格、碳价格以及能源消费负荷、新能源出力、设备状态等多维数据，基于“最低成本”“最低碳排放”“最优综合效益”等特定目标，自动生成最优运行方案，并可将优化指令直接下发至各设备终端，边缘执行器即刻调整设备运行状态。一次优化完成后，系统持续监测运行状态，等待下一次智能调度。

“过去是‘跟着感觉走’，现在是因果清晰、决策透明可追溯。”李子祥表示，运维人员无需理解背后的复杂算法，只需通过语音或文字的自然对话，就能获取预测信息、调度建议和实时运行状态，“真正实现了‘基于自然交互的人机协同与无人化运行’的智慧运维新范式。”

目前，“综合能源AI智能管家”已率先在医院场景得到验证，正加速向机场、高铁站、商业综合体、零碳园区、综合能源站等多元场景全面推广。每一个场景都代表着庞大的市场需求——从大型公共建筑的能效提升，到工业园区的低碳转型，再到城市级综合能源系统的智慧升级。李子祥的目标很清晰：“从单点‘爆破’到多场景‘燎原’，我们希望形成一套可复制、可推广、可生长的智慧能源管理生态，为更多能耗大户提供‘上海方案’。”

智审未来：用AI为轨交技术文件审查“把关”

城市轨道交通建设与更新持续提速，技术方案、管理标准、审查依据等文件也随之增长。每一份方案背后，都可能牵涉线路、设备、工艺、规范和管理流程。审查人员既要判断材料前后是否一致、内容是否合规完整，也要把握方案是否合理可行。面对高强度、短周期的审查任务，传统依赖专家逐页研判的方式，正在面临效率和一致性的挑战。

上海城建数字产业集团有限公司组建的人工智能“数智冲锋队”，以“智审未来，护航轨交——基于大模型技术的城市轨道交通技术文件审查场景方案”为题，将大模型、文档解析、知识管理与人智协同引入轨交技术文件审查，探索用AI为专业审查提质增效。

目前，轨交技术审查高度依赖资深专家。不同文件类型、不同标准条款和不同审查口径交织在一起，容易造成意见分散、沟通反复和周期拉长。数智冲锋队的方案聚焦一致性、合规性、完整性、合理性四类核心维度，通过上传被审文件、勾选依据文件、选择审查模板、生成问题清单等功能，把分散的审查经验转化为可复用的智能流程。

团队成员解释得很清楚：“简单说，我们不是让AI替代专家，而是让AI先把高频、重复、规则明确的内容审出来，把疑点、依据和建议整理好，再交给专家复核。”平台会基于语义分析对文件内容进行分类，并将任务分发给不同类型的“数字审查官”，帮助审查人员更快定位问题。

这个方案的技术亮点在于把“智能底座、数智中枢、数字审查官”串成完整闭环。前端支持文件上传、依据管理和模板配置；中间结合MinerU等工具进行版面解析与语义切片，再调用大模型完成条款检索、内容比对和审查推理；后端形成问题清单、人工确认和格式化审查报告。

系统并不把AI输出作为最终结论，而是在页面中保留人工复核环节。审查人员可以对“明确不符、疑似不符、建议关注”等结果进行确认、驳回或补充。平台还通过知识图谱连接原文内容、依据条款、问题类型、专家意见、历史案例和最终报告，让每一次复核都成为后续审查的经验沉淀。

特别值得关注的是，团队将智能体评测纳入平台建设，通过准确率、人工复核通过率、依据调用准确率、审查耗时等指标，持续检验模型效果和业务效率。这种务实的思路，确保了技术真正能为专业工作所用，而不是停留在概念阶段。