借助图引导的 MCP 工具进行生命线网络恢复的大语言模型赋能智能体

《Sustainable Cities and Society》：LLM-empowered agents for lifeline network recovery with graph-guided MCP tools

　　

摘要

生命线灾后恢复至关重要，许多研究提出了用于相互依赖的生命线网络恢复（LNR）的工具。然而，现有的工具本身，无论是独立存在还是嵌入系统中，都缺乏任务解决能力，仍然依赖人类的协调和执行来处理 LNR 任务。因此，本研究提出了一种大语言模型（LLM）赋能智能体的开发方法，该智能体能够智能地利用工具来解决 LNR 任务。该方法包括（i）开发托管在模型上下文协议（MCP）服务器上的图引导 LNR 工具，（ii）构建具有工具链生成 - 工具执行（TCG-TE）模式的 LNR 智能体，以及（iii）评估和比较智能体的性能。结果表明，在比较的 32 个智能体中，8 个 TCG-TE 智能体中有 5 个能成功解决 50 个 LNR 任务，而 24 个传统智能体没有一个能解决所有任务。遵循 TCG-TE 模式且具有 8 个大语言模型赋能的图引导 MCP 工具的智能体，与表现最好的传统模式智能体相比，解决了多 13.9% 的任务，并减少了 68.2% 的不必要工具调用。本研究贡献在于提供了一种具有任务解决能力的 LNR 智能体开发方法。此外，提出的 TCG-TE 模式缓解了智能体在选择和协调工具方面的困难。

引言

生命线（例如供水网络、供电网络和供气网络）支撑着城市的运行（Liang 等，2026，Xu 等，2024）。不同类型的生命线共同形成相互依赖的生命线网络（LN）（Zhang 等，2025，Balakrishnan 等，2024，Lu 等，2026）。世界上许多城市已建立了 LN 管理组织（Balakrishnan 等，2024，Wang 等，2025），例如美国西雅图的应急行动中心 - 基础设施分支（Balakrishnan 等，2024，Wang 等，2025），以及中国南京应急指挥中心的基础设施保障组（Wang 等，2026）。当灾害发生时，这些组织中的 LN 经理必须首先制定 LN 恢复（LNR）任务，然后解决它们（Shahverdi 等，2024，Braik & Koliou，2024，Chen 等，2024）。LNR 任务的制定是 LN 经理和不同利益相关者之间的协作过程（Zamanifar & Hartmann，2021，Li 等，2025）。例如，政府提供可用恢复资源的信息（例如，便携式发电机）（Shahverdi 等，2024），电网运营商报告电网内的灾害导致故障（Wang 等，2025），受影响居民表达他们的恢复偏好（Braik & Koliou，2024，Li 等，2025）。通过信息整合和利益相关者协调，LN 经理制定恢复任务，每个任务都有明确的目标（Balakrishnan 等，2024，Braik & Koliou，2024，Li 等，2025）（例如，确定故障设施的恢复顺序以最大化服务人口）和固定的资源约束（Tung 等，2025，Tariverdi 等，2019）。之后，LN 经理必须解决这些复杂的 LNR 任务，这需要大量的领域专业知识（Lu 等，2026，Wang 等，2025，Maraqa 等，2022）。

全球学者开发了许多工具来支持灾后 LNR 任务解决，例如关键设施识别算法（Lu 等，2026，Sun 等，2024）、级联故障设施修复顺序调度方法（Xu 等，2024，Shahverdi 等，2024）以及恢复资源分配模型（Chen 等，2024，Li 等，2025，Tung 等，2025）。尽管它们多样且有效，但在实践中采用这些工具对于一线 LN 经理来说仍然是负担（Shahverdi 等，2024，Hajializadeh & Imani，2021，Deng 等，2026）。首先，工具实施过程漫长且耗时，涉及阅读出版物、复现工具、配置环境、测试、调试和部署（Li 等，2025，Mitropoulos 等，2025，Tong 等，2026）。其次，实施工具需要专家级的跨学科知识（Zhang 等，2025，Zamanifar & Hartmann，2021，Sun 等，2024）。一线 LN 经理通常缺乏采用出版物中 LNR 工具所需的计算机科学、数学建模和运筹学知识（Lu 等，2026，Wang 等，2025，Wang 等，2026）。

开发了各种嵌入工具的系统来辅助人类 LNR 决策（Shahverdi 等，2024，Zamanifar & Hartmann，2021，Tariverdi 等，2019，Hajializadeh & Imani，2021），部分释放了漫长的部署过程并降低了知识要求。然而，仍然存在两个经验性的缺点：（i）可扩展性有限，以及（ii）缺乏任务解决能力。首先，这些系统中的 LN 边界、相互依赖结构和可用的 LNR 资源通常是预定义的，用户自己很难更新（Shahverdi 等，2024，Hajializadeh & Imani，2021，Bellagamba 等，2019）。同时，这些系统缺乏集成新兴工具以处理新任务的可扩展性（Shahverdi 等，2024，Bellagamba 等，2019）。LN 经理不能仅依靠内部工程师，必须参与外部供应商进行工具集成（Tariverdi 等，2019，Hajializadeh & Imani，2021）。更关键的是，现有的嵌入工具系统本质上是工具的集合，缺乏任务解决能力（Tariverdi 等，2019，Li 等，2026）。这些系统无法理解 LNR 任务，规划工具使用或执行 LNR 工具，远未达到智能 LNR（Tariverdi 等，2019，Shahverdi 等，2024，Bellagamba 等，2019）。现实世界中的 LN 经理仍必须自己处理整个任务解决过程，包括任务规划以及在这些系统内部或外部操作相关工具（Zamanifar & Hartmann，2021）。因此，研究问题出现为开发一种解决方案，可以轻松集成并智能协调 LNR 工具以解决任务。

为此，本研究提出了一种开发 LNR 智能体的方法，该智能体可以智能地处理 LNR 任务。该方法包括（i）开发符合模型上下文协议（MCP）的图引导 LNR 工具，（ii）以工具链生成 - 工具执行（TCG-TE）模式构建 LNR 智能体，以及（iii）使用自定义构建的测试数据集评估它们的性能。该方法已在谢尔比县的 LNR 中得到演示，并评估了采用图引导工具的 TCG-TE 智能体的有效性。本研究贡献在于使经理能够通过具有任务解决能力的智能体完成 LNR 任务，而不是依赖于直接实现、选择和执行单个工具。提出的具有图引导工具协调的 TCG-TE 模式可供智能体开发参考。提供的可重用工具集和测试数据集是公开可用的，支持各种 LNR 任务和 LN 场景下 LNR 智能体的可扩展性。

其余部分组织如下。第 2 节回顾了现有的 LNR 工具和 LLM 赋能的智能体。第 3 节提出了三阶段 LNR 智能体开发方法。第 4 节说明了智能体如何使用图引导 MCP 工具完成 LNR 任务。第 5 节概述了研究的贡献、LNR 智能体的稳健性测试、对不同利益相关者的实际意义、所提出智能体开发方法的特征以及未来研究需要解决的局限性。

章节摘要

生命线网络恢复

本研究回顾了为生命线网络恢复（LNR）开发的现有工具（表 1），以及辅助人类决策的工具嵌入系统（表 2）。如表 1 所示，开发的 LNR 工具（例如，模型和算法）主要解决五类任务。第一类工具通过节点中心性算法识别 LN 中不同设施的相对重要性，例如介数（Sun 等，2024）、紧密性（Lu 等，2026）、度（Tong 等，

案例研究

本研究以美国田纳西州谢尔比县为例（图 6）。谢尔比县必要的生命线信息来源于以前的研究（Balakrishnan 等，2024，Wang 等，2025，Maraqa 等，2022），例如设施类型、服务区域和服务人口（图 6）。不同类型的设施之间的相互依赖基于它们的供需关系构建（例如，发电厂 P₁₂ 向水厂 W₁ 供电，泵站 W₁₁ 向

结论

本研究提供了一種 LLM 赋能智能体的开发方法，该智能体可以使用工具进行 LNR。它包括（i）构建 47 个图引导 MCP 工具（图 6，（ii）基于 TCG-TE 模式构建 LNR 智能体（图 6），以及（iii）建立 50 个任务数据集以评估和比较由 8 个选定 LLM 和 4 种模式赋能的 32 个智能体的性能（图 6）。以谢尔比县的 LN 为例案，遵循开发的 TCG-TE 模式并具有图引导 MCP 工具的智能体提高了任务

CRediT 作者贡献声明

王宏宇：写作 - 审查与编辑，写作 - 原始草稿，可视化，验证，软件，资源，方法论，调查，数据整理，概念化。 周胜华：写作 - 审查与编辑，监督，资源，项目管理，方法论，资金获取，数据整理，概念化。 陈正毅：写作 - 审查与编辑，资源，方法论，调查，形式分析。 王文涛：验证，软件，资源，数据整理。

竞争利益声明

作者声明以下财务利益/个人关系，这些关系可被视为潜在的竞争利益：周胜华报告获得了国家自然科学基金的财务支持。周胜华报告获得了江苏省社会科学基金的财务支持。如果有其他作者，他们声明没有已知的竞争财务利益或个人关系可能看起来影响了

致谢

本研究感谢来自 XX 的财务支持。所有代码、表 S1、S2 和 S3 以及视频均在 GitHub 仓库的补充材料中共享（https://github.com/ayupow/LLM-Agent-based-on-TCG-TE-pattern-with-graph-guided-MCP-tools）。

王宏宇 | 周胜华 | 陈正毅 | 王文涛 | 李灵利 | S. Thomas Ng

中国南京，211189，东南大学土木工程系