OpenAqua：一个用于早期水处理工艺包设计的自动化多智能体框架，结合检索增强与基于批评模型的优化

《Water Research》：OpenAqua: An automated multi-agent framework for early-stage water treatment train design with retrieval augmentation and critic-based refinement

　　

**摘要**

水处理工段设计需要在多重技术与运行约束下，整合异构的公开技术知识和历史工程案例。在当前实践中，该过程仍高度依赖专家判断和人工证据综合，难以系统评估复杂设计因素并透明地比较备选工段方案。这些挑战促使人们关注大语言模型（LLMs），后者在技术文本理解和综合方面展现出强大能力，并被探索用于科学问答、技术文档分析和特定领域决策支持。然而，在没有显式接地（grounding）的情况下将LLMs直接应用于水处理工段设计，可能产生支撑薄弱的建议和工程约束考虑不周的方案。为克服这些局限，本研究提出OpenAqua——一个多智能体检索增强框架，支持带有基于批判者（critic-based）优化的早期水处理工段设计。OpenAqua将任务分解为需求分析、分层知识检索、工段生成、基于批判者的验证和结果解释。它整合技术知识与工程案例，生成由显式证据、约束检查和风险描述支持的候选处理工段。为评估该框架，我们构建了WContBench，并将OpenAqua与独立LLMs进行对比。与独立LLMs相比，OpenAqua在设计质量、与参考处理工段的结构相似度、约束满足度和证据支撑度方面均有提升。消融实验进一步表明，OpenAqua中的分层知识库和检索增强生成提升了水处理工段设计质量。这些发现表明，带有基于批判者优化的多智能体推理是透明且实用的水处理决策支持的一条有前景的途径。

**引言**

水处理工段设计是根本性的，因为处理配置必须针对特定应用需求进行调整，如饮用水生产、再生水回用和工业供水（Tang et al., 2018, Alvi et al., 2023, Jeffrey et al., 2022）。该任务具有挑战性，因为早期工段设计是一个系统决策问题，而非简单选择单一单元（Zeng et al., 2016, Lee et al., 2018）。设计师首先必须确定关注的污染物和所需的出水水质（Lee et al., 2018, Ho et al., 2024）。随后必须平衡成本、能耗、残余物管理、运行复杂度以及上下游单元间的相互作用（Ju?ni?-Zonta et al., 2022）。对于单一水质情景，可能存在多个技术上可行的工段，但每个方案的适用性仍高度依赖具体情境（Kalbar et al., 2016）。相关证据分散于标准、技术指南、研究论文和工程案例报告中，而术语、报告参数和文档结构在不同来源间往往存在差异（Sadr et al., 2018）。因此，早期水处理工段设计仍高度依赖专家判断和人工证据综合。

为支持这一过程，传统决策支持方法，包括专家系统、基于规则的决策支持系统和基于案例的推理，长期以来在水处理设计领域被广泛探索（Hamouda et al., 2009, Arditi and Tokdemir, 1999, Mannina et al., 2019, Cerutti et al., 2023）。这些方法提供了有用的结构和领域透明度，但也有重要局限（Pecson et al., 2017, Renfrew et al., 2024）。许多方法依赖于固定规则、启发式逻辑或单案例匹配，这使它们在新污染物、处理技术或工程约束出现时难以更新（Xiao et al., 2017, Boo et al., 2018, Sucu et al., 2021）。它们也往往难以整合来自分散公开来源的异构开放知识，并以灵活且可追溯的方式论证建议（Alvi et al., 2023, Yun et al., 2025）。因此，尽管传统方法可以支持特定子任务，但在需要将局部污染物-单元证据与系统级工艺顺序、工程约束和可追溯论证相结合时，它们的局限性尤为突出。

前沿大语言模型的近期进展拓展了AI辅助环境决策支持的潜力。GPT和Gemini等通用模型表现出比早期模型更强的推理能力、更广的多模态理解和更可靠的任务执行（Hurst et al., 2024, Team et al., 2023）。这些进展推动了领域特定环境LLMs的发展。WaterGPT为水文学任务而开发（Xu et al., 2025a, Ren et al., 2024）。EnvGPT针对跨学科环境挑战而构建（Zhang et al., 2025）。OceanGPT专注于海洋科学任务（Bi et al., 2024）。这些研究表明，LLMs可以在环境场景中支持领域知识理解、问答和交互分析（Wang et al., 2025）。然而，LLMs在水处理工段设计中的直接应用仍存在问题（Nie and Liu, 2025）。在没有显式接地和结构化控制的情况下，输出可能忽视工程约束、推荐无支撑的单元组合、产生不一致的处理序列或生成薄弱的技术论证（Xu et al., 2025b）。检索增强生成（RAG）已通过将输出接地于外部文档来改善可追溯性（Lewis et al., 2020, Arslan et al., 2024, Ding et al., 2025）。然而，在水处理工段设计中，检索相关文档或处理单元仅是问题的一部分。该任务进一步需要通过在证据、结构、约束和解释上的协调推理，将异构证据整合为结构合理、感知约束且技术健全的工段。

这些困难使多智能体系统（MAS）成为AI辅助水处理设计的一个有前景的方向（Guo et al., 2024, Chen et al., 2026, Zhai et al., 2026）。多智能体工作流可以将复杂任务分解为专业化子任务，并在整个推理过程中进行协调。该结构非常适合工段设计，因为候选工段必须被生成、工程约束必须被检查、薄弱的建议必须被修订，且最终建议必须被解释才能支持工程决策。早期研究已开始在水相关领域探索这一方向。Ren et al. (2024) 提出了用于具有多模态输入的水文场景的Water_Agent。EPANET-Agentic等框架也指出了智能体编排在水系统分析中的价值（Wang et al., 2026）。Rothfarb et al. (2025) 报告了一个用于污水处理厂运行和诊断的多智能体LLM框架。这些研究表明了基于智能体的方法在水工程中的潜力。它们的主要关注点在于水文分析、系统模拟或处理厂运行支持（Kumar et al., 2025）。一个面向污染物的工段设计的透明框架仍然缺失，尤其是在支持候选生成、工程验证和接地解释之间的显式分离，同时结合公开技术知识、工程案例和感知约束推理的方面。

我们提出OpenAqua，一个用于早期水处理工段设计、带有基于批判者优化的多智能体检索增强框架。OpenAqua以分层知识库（HKB）为核心，用于早期水处理工段设计。HKB组织单元级处理证据和模板级工艺结构，而智能体协调需求分析、知识检索、候选生成、基于批判者的验证和结果解释。通过为候选工段生成提供污染物-单元证据和结构先验，该知识库使OpenAqua能够生成排序的、基于证据的处理工段，并带有显式约束验证和清晰解释。此外，我们构建了WContBench，一个源自真实工程案例的基准，用于在不同复杂度和输入完整度水平下系统评估工段设计建议质量。OpenAqua在异构水处理场景中实现了证据接地的候选工段生成、显式约束检查和可解释的设计建议。与独立LLMs相比，OpenAqua产生更连贯且证据接地的处理工段建议，同时防止技术不合理的候选和无支撑引用被呈现为有效的最终输出。这些发现展示了检索接地的多智能体推理在透明且实用的水处理决策支持方面的潜力。

**部分片段**

**分层知识库**

在水处理工段设计中，依赖参数化知识的单个LLMs无法充分捕捉污染物与处理单元之间的条件关系，也因训练数据中领域知识覆盖有限而无法生成系统性的工段。为克服这些局限，RAG提供了将推理接地于领域知识的有效机制。知识库（KB）是RAG的关键组件，它提供领域专业知识并支持上下文学习。

**OpenAqua在水处理工段设计方面取得了优异性能**

实验结果表明，OpenAqua在水处理工段设计方面取得了整体强劲的性能。最佳配置OpenAqua-GPT-5.2达到了77.93%的F1分数、91.85%的CLA、91.37%的命中率和62.94%的NSS。OpenAqua始终优于相应的独立LLMs（表1），表明改进主要来自多智能体框架而非简单的骨干模型替换。对于较弱的LLMs，这种提升尤为明显。

**讨论**

上述研究不仅展示了OpenAqua的总体有效性，也为探讨该框架在该任务中表现更优的原因提供了依据。除了报告性能提升外，解释不同设计选择如何促进工程可行性、决策透明度和处理工段生成中的运行鲁棒性同样重要。本节讨论了这些改进的主要影响因素并考虑其含义。

**结论**

本研究提出了OpenAqua，一个用于早期水处理工段设计的多智能体框架。通过整合分层知识检索、约束验证和证据接地的解释，OpenAqua将工段设计从单次生成转变为更具透明度和可控性的工作流。以WContBench作为评估基准，OpenAqua始终优于独立LLMs，在工段生成方面取得了强劲性能。

**CRediT作者贡献声明**

刘汉章：撰写——初稿、软件、方法论、调查研究、形式化分析。江昭锐：撰写——审阅与编辑、方法论、调查研究。钟惠玲：可视化、软件、数据管理。李瑾硕：可视化、数据管理。庞威：验证。袁应芳：监督、项目管理、资金获取。

**代码可用性**

OpenAqua的源代码可在https://github.com/zhaorui-bi/OpenAqua获取。

**利益冲突声明**

作者声明，他们没有已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

**致谢**

本研究部分由赫瑞-瓦特大学可持续未来融资中心通过资助项目"航运脱碳绿色溢价证书市场的智能体AI模拟"提供部分支持。作者也感谢相关支持。

刘汉章|江昭锐|钟惠玲|李瑾硕|庞威|袁应芳
深圳北京大学研究生院环境与能源学院，中国深圳，518000