面向城市建筑能源服务的中介型服务模式：从资源采集到具体服务的落地实施

《Sustainable Cities and Society》：Agentic Generation for Urban Building Energy Services: from resources to executable services

　　•将自然语言规范转换为可执行的服务，使用大语言模型（LLM）代理。•从数据、工具、模型和代理库存中选择资源。•展示了首尔在能源使用效率（EUI）监测、水分流失率（WWR）估计和仿真方面的案例。•对12个LLM在各种复杂度的UBES生成任务进行了基准测试。•模型的适用性取决于服务生成的复杂性。

引言
碳中性和能源转型已成为城市的主要政策目标（Bai等人，2018年；You等人，2025年）。同时，全球变暖和异常天气条件正日益影响日常生活（国际能源署，2022年）。在这种背景下，人们对建筑领域的能源管理和运营优化给予了越来越多的关注。建筑物占城市能源消耗和温室气体排放的很大比例（联合国人居署，2023年）。因此，提高建筑物的能源效率和运营性能现在被认为是缓解气候变化和实现城市可持续性的关键任务（Jeong & Kim，2024年）。随着这一趋势的发展，智慧城市技术、城市数字孪生技术以及最近基于AI的城市管理技术也得到了迅速发展（Bibli等，2024年；Dahmane等，2025年；Wolniak，2024年）。在城市和建筑领域，还积极探索了各种AI应用，包括能源预测（Choi & Yoon，2024年；Zeng等，2026年）、监测（Ding等，2025年）、识别城市社会问题（Z. Liu等，2025年；Zhang等，2025年）、改善城市环境质量（Rahaman等，2026年；Zhu等，2026年）和最优控制（Abkary等，2025年）。这些研究有助于提高各个功能的技术性能。然而，大多数现有研究和技术主要集中在特定功能的改进或孤立系统的进步上。例如，以往的工作提高了选定建筑群的能源预测准确性，检测了特定系统中的异常状况，并在受限环境下增强了控制性能。然而，在实际的城市环境中，数据类型和质量、运行条件、管理实体和建筑特性高度异构（Choi等，2025年）。与这种复杂性相比，能够整合这些多样性的服务级方法仍然有限。因此，智慧城市技术在个别功能层面上取得了进展，但它们集成到适用于多样化城市环境的服务系统中仍然不足。

这种限制也反映在城市建筑能源建模（UBEM）文献中。先前的研究指出需要一个由开放数据和计算平台支持的无缝工作流程，以及可以为利益相关者决策提供可行见解的可视化环境（Hong等，2025年）。它们还强调了现有UBEM工具、数据集和用例之间缺乏标准化、互操作性和协作，这阻碍了资源的重用以及结果的比较和验证（Hong等，2020年）。总而言之，这些挑战表明，所需要的是不仅更好的个别模型或工具，还需要一个可以灵活配置可用资源并将其作为可重用和可执行服务提供的服务级框架。在这项研究中，这种以服务为导向的扩展被概念化为城市建筑能源服务（UBES）。UBES不是一个单独的模型或算法，而是一种结合了数据、模型、工具、执行流程和输出格式以响应用户请求的可执行服务。

基于LLM的代理的最新进展为解决这一服务生成问题提供了相关的技术背景。先前关于LLM工作流生成（Li等，2024年）、代理协调（Tang等，2026年）和工具使用LLM管道的研究表明，LLM可以解释用户目标，选择外部工具，并组合多步任务流程。在建筑能源领域，相关研究也探讨了LLM辅助的建筑能源建模（Choi & Yoon，2024年；Lee & Yoon，2026年）。然而，大多数这些研究要么关注通用任务协调，要么关注运行时工具的使用，或者关注个别建模任务的自动化。较少有研究探讨如何将这些基于LLM的工作流和工具协调能力应用于实际的城市能源问题，特别是通过组织异构的城市建筑能源资源——如数据集、预处理工具、仿真引擎、模型和代理模块——来创建可用于城市规模部署的可重复使用的UBES。

基于AI的城市能源技术的应用主要集中在示范区、大型建筑、设备齐全的区域或有足够基础设施和专家操作员的环境中（Jiang等，2024年；M. Liu等，2025年；Teng等，2025年）。实际上，许多城市和地区并不满足这些条件。即使所需的服务没有提前明确定义，城市和建筑数据仍会不断生成和积累。因此，将固定技术应用于所有情况不足以满足广泛的实际城市需求。为了减少这些技术盲点，需要一种可以根据可用数据和预期目的灵活配置和生成适当服务的方法。尽管AI和数字孪生技术在城市建筑能源领域取得了快速进展，但将其转化为实际城市环境中的服务仍然探索不足。大量的城市数据、模型、工具和分析方法越来越多，但将这些异构资源适当地整合并应用于特定城市问题仍然具有挑战性。特别是，即使在将AI代理引入UBEM相关任务时，将领域资源的语义、关系和适用性与可执行服务组合连接起来的结构化表示仍然有限。

基于本体论的UBEM方法通过结构化建筑物理信息和仿真模板来提供补充方法，以实现语义整合和推理（Ma等，2024年）。这种语义表示可以改进信息互操作性和资源描述，而可执行服务生成还需要选择注册资源、明确的数据流依赖性和可运行的工作流组合。因此，语义信息整合和可执行工作流生成是不同但互补的层次。在城市数字孪生研究中也存在类似的差距。为了支持实际的城市服务，城市数字孪生必须同时处理城市的多个方面，从城市的物理形状到能源的消耗和管理方式（Choi & Yoon，2025年）。然而，当前城市数字孪生研究中的虚拟模型通常是分别开发的，专注于几何模型、物理模型、行为模型或基于规则的模型。缺乏这种集成的以服务为导向的机制，导致了UBEM技术的进步与其作为实际城市服务的部署之间的差距。Hong等（2025年）强调，随着城市数据、建模工具、技术和建筑特定条件的日益多样化，需要在模型级别、建模方法和可用资源之间取得 careful 的平衡。他们还强调了跨不同技术的平台互操作性的重要性。从这个角度来看，将UBEM应用于实际城市不仅需要更好的模型，还需要一种基于数字孪生和AI代理的方法，能够整合数据、工具、模型和分析资源，并将它们配置成可执行服务。

这种以服务为导向的视角也基于数字孪生概念。数字孪生最初被引入作为一个连接物理空间、虚拟空间以及它们之间数据和信息交换的框架（Grieves，2014年），后来扩展为一个由物理实体、虚拟模型、数据、服务和连接组成的五维模型。在城市建筑能源背景下，物理实体对应于实际城市，而虚拟模型可以理解为基于UBEM的虚拟城市模型。这样的虚拟模型可能包括几何模型、物理模型、行为模型和基于规则的模型。重要的是，这些模型不应保持独立组件；相反，它们需要作为集成的城市模型连接起来以支持可执行服务。在这个数字孪生结构中，服务维度是将异构资源配置为解决城市建筑能源问题功能的点。因此，本研究将传统UBEM研究中讨论的数据、工具、模型和AI代理模块视为服务资源，而不是孤立的研究输出。为了使这些服务在不断变化的城市环境中始终保持有效性，有必要反复解释用户需求，从可用资源配置可执行服务结构，将其部署到目标城市环境中，并通过运营反馈进行更新。因此，本研究旨在提出一个UBES生成器，通过将服务规范和领域资源库存转换为可执行的UBES服务包来支持这一过程。图1展示了UBES服务循环，其中服务从用户请求生成，应用于目标城市，作为可重用的可执行服务进行积累，并通过运营反馈不断改进。

基于上述动机，本研究的目标是提出一个UBES生成器，这是一种将自然语言服务规范和领域资源库存转换为可执行UBES服务包的代理架构。重点在于服务生成框架本身：服务要求如何标准化，如何选择合适的资源，如何组成可执行的工作流，以及如何将生成的服务包存储为可重用的服务资产。因此，本研究评估了所提出架构生成可执行服务结构的能力，而不是对每个服务中嵌入的每个组件技术进行详尽的验证。

本研究的贡献有四个方面。首先，它从服务导向的角度定义了UBES，并将其与以孤立分析功能或独立模型为中心的传统UBEM方法区分开来。其次，它提出了一种代理架构，将在统一框架内连接服务规范、资源库存、工作流生成和服务打包。第三，它通过使用首尔的实际城市数据展示了该框架在三种代表性服务类型（监测、特征工程和仿真）中的适用性。第四，它对12个LLM在不同服务类型上的生成成功率、可执行性、资源选择质量和成本进行了基准测试，从而为服务生成提供了实际见解。本研究的新颖之处在于将城市建筑能源分析重新定义为特定的服务生成问题，并通过可执行的UBES服务包将这一概念具体化。在所提出的框架中，用户定义的自然语言服务规范成为生成定制城市建筑能源服务的起点，通过将其与现有领域资源（包括数据、工具、模型和代理模块）连接起来。这种从规范到服务的路径很重要，因为它提供了一种将UBEM研究资产转换为可执行服务的实际机制，以应对具体的城市能源问题。通过这种方式，异构的UBEM资源被组织成可重用和可部署的服务包，而不是作为孤立的分析功能或独立模型。

本文的其余部分结构如下。第2节描述了UBES生成器、其组件和服务生成过程。第3节介绍了案例设计和实施。第4节报告了服务输出并分析了涉及基于LLM的服务包生成实验的结果。最后，第5节总结了研究，讨论了局限性并提出了未来研究的方向。

### UBES生成器
UBES生成器旨在通过选择和结合可用数据、模型、工具和代理模块将服务规范转换为可执行的UBES。在本研究中，生成的可执行UBES被定义为服务包。服务规范定义了服务的目的和要求，而资源是指实现所需的数据、工具、模型和代理模块的集合。UBES生成器的核心是一种机制，该机制能够...

### 案例研究
本节介绍了三个代表性的UBES案例——EUI分析、WWR估计和基于EnergyPlus的建筑能源仿真——分别对应于监测、特征工程和仿真。这些案例被实现为单独的可执行UBES，以展示所提出框架的不同服务生成能力，而不是作为一个端到端的流程。因此，一个案例的输出不会自动传播到另一个案例。

### 结果与讨论
本节展示了生成的服务的输出（第4.1节）以及12个LLM的服务生成实验的结果（第4.2节）。

### 结论
本研究提出了一种用于代理生成城市建筑能源服务的架构。UBES生成器将专家定义的数据、工具、模型和代理模块组合成来自自然语言规范的可执行服务；它不会仅从规范本身创建新的分析资源或能力。使用首尔的实际城市数据实现了三种代表性服务——EUI监测、WWR估计和EnergyPlus建模及建筑能源仿真。

### CRediT作者贡献声明
Sebin Choi：撰写——原始草案、可视化、方法论。
Jihwan Song：软件。
Byeongjun Jang：软件。
Gowoon Lee：软件、数据管理。
Jaehyun Yoo：软件、数据管理。Yoon Sungmin：负责文字撰写（包括审稿与编辑）、监督工作以及项目概念的构思。

关于利益冲突的声明
作者声明：他们没有已知的可能影响本文研究结果的财务利益冲突或个人关系。

致谢
本研究得到了韩国基础设施技术促进机构（KAIA）的资助，该机构由韩国土地、基础设施与交通部提供资金支持（项目编号：RS-2023-00244769）。

作者名单：
Choi Sebin | Song Jihwan | Jang Byongjun | Lee Gowoon | Yoo Jaehyun | Yoon Sungmin