给水管网优化中控制权应置于何处：将优化任务委托给大语言模型智能体的可靠性-成本权衡

《Water Research》：Where should control sit? Reliability-cost trade-offs in delegating water distribution network optimisation to LLM agents

　　

计算优化现已常规用于支撑给水管网（WDN）的设计与运行。然而，优化问题的建模、求解工作流的配置以及结果解释仍高度依赖人工，使得即便标准研究也耗时难复现、难以扩展。大语言模型（LLM）为自动化这些任务提供了新机遇，但其有效使用取决于一个核心设计问题：哪些步骤应委托给自主LLM智能体，哪些应保留为确定性工作流步骤。本研究量化了将WDN优化流水线各阶段委托给LLM智能体所带来的可靠性与资源成本。研究人员将一个端到端优化流水线重构为决策节点序列，每个节点既可作确定性工作流步骤，也可作ReAct（推理+行动）智能体，从而在底层优化任务不变的前提下变动控制位点。在两个代表性任务（单目标泵能最小化与多目标能耗-韧性优化）上，于基准C-Town管网中对跨越约一个数量级规模的5个LLM逐节点转移控制并运行250次。结果显示，控制分配对可靠性和计算成本的影响远大于对优化质量的影响：解质量对控制模式大不敏感（泵能变化约1%，超体积变化约13%），且确定性工作流与ReAct智能体配置互不占优。相反，将单个节点委托给ReAct智能体显著推高资源消耗：在建模节点，token消耗约增6倍，模型调用次数约增一个数量级。工作流失败具结构性而非随机性，且集中在被委托节点。完全自主仅最大LLM可靠；以工作流主导的配置在降至14B参数LLM时仍可行。这些发现表明，对明确定义的工程优化任务，LLM自主性应选择性扩展而非默认全交。更广泛地，通过厘清自主性可信与不可信的边界，本研究为可信赖水系统自动化所依赖的可靠、可复现、可审计LLM决策支撑奠定基础。

研究背景方面，给水管网（WDN）是支撑公共卫生、经济活动与城市韧性的关键基础设施，其运行在受限条件下需交付更高性能，优化已成为运行决策与长期规划的重要工具，涵盖泵调度、压力管理、管网设计与修复及多目标平衡等任务。当前多数优化任务流程相似：工程师从工程问题建模、用优化模型求候选解、以水力模拟评估、解释结果以支撑决策；但该过程主要人工完成，编码于定制脚本且依赖专家判断，导致常规分析搭建成本高、跨网络或场景复用困难、难以复现。大语言模型（LLM）能将自然语言转为结构化动作、对中间结果推理并以自然语言交互，水利领域已用作水力模型自然语言接口、信息抽取助手及多智能体系统组件。嵌入LLM有两条路径：工作流（workflow）由工程师预设流程、LLM在固定点处理子任务；智能体（agent）将决策权移交LLM自身，自主决定下一步动作与终止条件。近期文献总体走向更大自主性，但对工程优化，更大自主性未必更优——自主性带来的推理差异会传播为不同工具调用、配置乃至难审计结果。核心设计问题不是用不用LLM，而是固定工作流保留多少控制、委托智能体多少控制，而WDN优化中逐级委托的可靠性、成本、可复现后果及其对模型能力的依赖尚缺量化。本研究发表于《Water Research》，旨在填补此空白。

关键技术方法上，研究人员将端到端WDN优化流水线重铸为含规划、参数获取、实验设计、执行与报告等节点集合，其中三个执行关键节点（建模、实验设计、执行）各可切换为确定性工作流步骤或配备匹配工具的ReAct（Reasoning+Acting）智能体，使控制位点可变而底层能力恒定。基于C-Town基准管网，取单目标泵能最小化（目标函数J_energy(y)=∑_t=1^T∑_p∈P ρgQ_p,tΔH_p,t/(η_p,tΔt)）与多目标能耗-韧性优化（韧性用Jayaram和Srinivasan 2008改进的修正韧性指数MRI，MRI_t=∑_n=1^NQ_n^req(H_n^t/H_n^req)/∑_n=1^NQ_n^reqH_n^req，时均最大化）两任务，在5个规模跨约十倍的LLM上逐节点转移控制、每配置跑250次。水力模拟与优化本身保持确定性与预定义，LLM仅作语言组件负责意图解释、未指定参数获取与中间输出推理。指标覆盖解质量（泵能、超体积hypervolume）、token与模型调用成本、失败率及失败结构。

研究结果部分，摘要已指出控制分配对可靠性与成本影响远大于优化质量。第一章引言阐明WDN优化人工负担重与LLM两嵌入范式（工作流vs智能体）及自主性非默认最优的动机。第二章方法论定义两任务：泵能最小化以ρ水密度、g重力加速、Q_p,t泵p在t流量、ΔH_p,t扬程增量、η_p,t效率、Δt步长构建目标；韧性最大化用MRI时序平均，MRI衡量需求节点富余水头功率与最低需求功率比。研究人员将流水线设为可配置架构，三执行节点可切Deterministic/ReAct，共享状态与提示构造机制保证底层不变。经在C-Town上跨5 LLM逐节点委托跑批，得出：解质量对控制模式不敏感（泵能≈1%波动，超体积≈13%波动），Deterministic与ReAct互不占优；资源成本中建模节点委托ReAct使token约6倍、调用次数约十倍增长；失败为结构性集中于委托节点而非随机；全自主仅最大LLM可靠，工作流主导配置至14B参数LLM仍可行。这表明对明确定义工程优化，自主性应选择性授予。

讨论与结论翻译总结：研究人员指出，对明确定义的工程优化任务，LLM自主性应选择性扩展而非默认委托；通过确立自主性可信任与不可信任的边界，本研究为水系统可信自动化所依赖的可靠、可复现、可审计LLM驱动决策支撑奠定基础。控制权位点比模型规模更左右可靠性与成本，解质量并非委托自主性的主要收益来源，结构性失败模式要求审计聚焦于委托节点，小模型配工作流仍具实用价值。