LLM-BEM-engineer：基于大语言模型的多智能体人工智能工程师，用于自动化建筑能耗建模与分析

《ADVANCED ENGINEERING INFORMATICS》：LLM-BEM-engineer: a large language model-based multi-agent AI engineer for automated building energy modeling and analysis

　　

•基于大语言模型的AI工程师被开发用于自动建筑建模与分析。
•多智能体协作框架确保了鲁棒性和一致性。
•端到端自动化将建模时间从数天缩短至数分钟。
•系统能够在嘈杂、不完整和模糊的用户输入下实现可靠性能。

引言

建筑部门约占全球能源消耗和碳排放的三分之一，且预计这一比例在未来几十年内还将进一步增长[1]。因此，设计节能、低成本且可持续的建筑已成为促进城市发展、缓解气候变化和实现碳中和的关键[2]。在实践中，建筑能耗建模（BEM）提供了一种严格且定量的方法，可预测建筑能源使用量和室内环境状况，使工程师、建筑师和决策者能够评估不同的设计方案[3]、优化系统性能[4]并降低建筑开发中的运营成本[5]。近期研究表明，约60%的建筑项目采用BEM来指导决策，反映了其在大规模推进能效方面的重要作用[6]、[7]。

在过去二十年中，人们开发了一系列建筑建模程序，包括但不限于EnergyPlus [8]、ANSYS [9]、Dymola [10]、DeST [11]、ISO 13790 [12]、VDI 6007 [13]。其中，EnergyPlus凭借其开源可用性、基于物理的框架以及与实际性能的广泛验证，已成为BEM中最广泛采用的模拟引擎之一。围绕这一核心引擎，已经发展出一个健壮的软件工具和接口生态系统，以提升可用性并扩大其采用范围。图形用户界面（GUI），如OpenStudio [14]、DesignBuilder [15]和Grasshopper [16]为从业者提供了易于使用的前端，而Python库如Eppy [17]和Opyplus [18]则实现了EnergyPlus的程序化操作。在更大规模上，城市级工具如CityBES [19]、UMI [20]和UBEM.io [21]也将BEM应用扩展到社区和城市建模与规划。这一不断增长的生态系统极大地扩展了建筑能耗建模引擎的覆盖范围，使其成为支持学术研究和工业实践的核心平台。

然而，尽管已有GUI、库和工具，在建筑设计和改造中应用BEM仍然需要大量努力。有效使用BEM要求技术熟练度、熟悉专业软件环境，以及创建可靠建筑能耗模型所需的广泛配置。计算机辅助设计工作流同样需要大量领域专业知识（例如建筑科学和热力学）或编程技能，因此对用户不友好，且在真实项目实施起来并不便利。在实践中建立建筑能耗模型可能需要数天时间，涉及模型创建、调试和调整的迭代循环，即使是经验丰富的建模专家也不例外[22]、[23]、[24]。此外，建筑本质上是多样化和独特的。为某一特定用例或建筑类型开发的建筑模型通常无法直接在其他情境下重复使用或适配。因此，每个新项目通常需要从头开始建模，涉及不同的建筑配置、使用行为以及系统设置（例如暖通空调系统）。这种可扩展性不足大大增加了建筑工程师在建模方面的负担，降低了BEM在更广泛建筑应用中的可及性。

近期，大语言模型（LLM）的进展展示了在自动化建筑能耗建模方面的巨大潜力[25]、[26]、[27]。例如，我们之前的工作EPlus-LLM [28]和EPlus-LLMv2 [29]是基于LLM的自动建筑能耗建模（ABEM）平台，利用（高效）微调技术直接将用户提供的自然语言描述转化为相应的建筑能耗模型。广泛的验证涵盖了多样的几何配置、材料属性、内部负荷和运行设置，证明了这些平台的有效性，尽管平台仍然仅适用于有限的应用案例。与此同时，为缓解微调相关的技术和计算门槛，我们提出了一种基于提示工程的工作流作为有前景的替代方案[30]。通过利用结构化推理策略，如思维链提示，LLM可以被引导执行自动建模任务，尽管测试的建模场景仍然较为简单，且在自动模型创建过程中出现了不稳定问题[31]。

此外，检索增强生成（RAG）利用建筑模型数据库中的类似历史案例作为LLM的上下文参考，从而增强生成模型的可靠性和适应性。例如，Zhang等人[32]基于美国能源部（DOE）原型建筑模型构建了一个EnergyPlus模型数据库。使用该数据库，LLM生成了四个涉及建筑几何和空间功能的测试案例，准确率达到91.2%。此外，模型上下文协议（MCP）的开发实现了LLM与建筑模拟软件之间的有效通信。例如，Li等人[33]将Eppy库[17]中的基本功能纳入LLM交互中，使对话式界面能够与EnergyPlus交互。然而，这种方法需要开发新的功能；否则，它将受限于现有的Eppy功能（例如材料修改）。

更近期，智能体工作流的整合进一步加强了BEM过程的自动化[34]、[35]。通过协调多个专业化智能体，这些系统能够实现健壮的任务分解、执行、分析和编辑，从而提高整体建模性能和效率（例如建模时间和成本）。例如，Zhang等人[36]提出了一种基于LLM的智能体工作流用于自动建筑建模和调试。虽然一个简单的实际案例展示了其修改模型模板的能力，但其有效性仍然局限于特定场景。类似地，Lu等人[37]开发了一个多智能体自动建模框架，能够生成符合行业标准且经过校准的建筑模型；然而，其可行性仅在单一建筑案例上得到验证，并且仍然需要人工干预。Xu等人[38]设计了一个动态多智能体网络，并使用原型建筑模型对其进行评估。该框架展示了从初始参考模型生成新建筑模型（例如窗墙比的变化）的能力，以及支持能耗分析和估算潜在节能潜力（例如通过日光传感器）的能力。尽管如此，评估同样局限于单一测试案例。

总体而言，先前的研究突出了基于LLM的ABEM系统在微调、提示工程、RAG和智能体框架方面的快速进展。然而，尽管取得了这些进展，现有方法在很大程度上仍处于概念阶段，针对特定的（例如可能仅一个）或相对简单的原型或场景进行定制。具体而言，基于LLM的ABEM中存在几个关键的研究空白：

(1)能力不足：现有方法难以适应真实世界建筑能耗建模任务所需的复杂建模配置。实际的工程应用通常涉及对具有不同几何形状（例如不同的建筑形状和层数）的建筑进行建模、多样的暖通空调配置、详细的运行设置以及建筑组件之间的复杂交互。然而，当前的基于LLM的方法难以推广到如此多样的建模需求上，限制了其实际应用性。

(2)意图对齐受限：实际的建模过程本质上是迭代和交互的，即需要持续改进设计假设和模型配置。当前的自动建模系统难以处理模糊（或高层次）的用户建模意图，并且难以支持迭代的设计修改，限制了灵活的人机交互。因此，现有的自动建筑建模平台远未实现真正类人的交互式建模工作流。

(3)验证有限：缺乏全面的验证显著削弱了人们对当前方法实际部署的信心。现有自动建筑建模方法的验证通常局限于一个或少数几个定制案例研究，而非通过涵盖多样建筑类型和场景的系统化、综合性基准评估。此外，在建模流程的各个阶段持续依赖人工干预限制了可扩展性并阻碍了可重复性。因此，当前系统在真实工程应用中的可靠性仍不清楚，削弱了对其部署的信心并限制了其实用准备度。

一方面，真实世界的模拟任务高度复杂，涉及大量输入信息和强结构相互依赖性[28]；另一方面，当前的LLM尚不能可靠地支持自动模拟和建筑分析[39]、[40]。由于缺乏特定任务所需的充分领域知识，LLM在实际建模和建筑性能分析工作中面临一致性低、准确度低、灵活性有限以及与用户意图对齐弱等问题。在这种情况下，当前的LLM框架仅能充当简单建模任务中的子任务助手，远不足以充当能够在真实项目中执行复杂建模任务的真正人类项目工程师。开发一个能够完成端到端自动建筑模拟和分析的AI工程师的更广泛目标尚未实现。

本研究引入了LLM-BEM-Engineer的开发（图1），这是一个基于LLM的AI工程师，能够在人类工程师的指导下，针对复杂真实项目执行自动建筑模拟以支持建筑分析（涵盖全面的建筑建模和分析场景）。具体而言，该AI工程师将微调后的LLM与多智能体协作框架相结合，使系统能够将复杂建模任务分解为结构化子过程，包括需求解释、模型生成和验证。通过协同工作流程，LLM-BEM-Engineer能够有效处理异构的建筑描述（涵盖多样几何、构造、运行特征和暖通空调系统），解决多模态用户输入中的歧义，并迭代优化自动建模输出以符合用户意图。

为进一步证实其实用性，所提出的AI工程师的有效性和可靠性通过全面基准测试进行了验证，包括378个真实世界测试案例和两个真实建筑项目。结果表明，自动模型创建始终具有较高的准确度（100%），并展现出强大的鲁棒性和可扩展性，大幅超越了通常在原型案例上进行验证的先前方法。总体而言，所提出的AI工程师作为一个通用、端到端的平台，在工程实践中实现了完全自动化、可扩展、交互式且可靠的BEM。

章节摘要

LLM-BEM-Engineer概述

如图1a所示，LLM-BEM-Engineer采用多智能体LLM协作机制来解释用户意图，并自动构建完整的、可模拟的建筑模型，以支持下游应用，如能效分析、室内环境评估和建筑智能优化。该框架支持涵盖建筑使用、构造、系统、几何和运行等方面的全面建模能力（图1b），并实现多模态输入和验证。

从自然语言进行自动化建筑能耗建模的验证

为了评估LLM-BEM-Engineer的性能和泛化能力，我们进行了378个验证案例，涵盖广泛的真实世界建筑能耗建模场景。这些案例涵盖了建筑类型、几何形状、构造属性、运行条件和暖通空调系统方面的多样配置，从而能够对提出的框架进行全面评估。所有生成的建筑模型均成功在EnergyPlus中编译并模拟，且与预期一致。

建立新的建筑能耗模型

作为一个演示，所开发的LLM-BEM-Engineer为位于美国盐湖城犹他大学主校园的Crocker科学中心（CSC）创建了一个新的建筑能耗模型（图6a）。该任务的目标是表征建筑能耗概况并评估建筑改进的潜在能效策略。图6c展示了建筑平面图。这座四层建筑占地面积约为3,496平方米，A层...

一个能够自动进行建筑能耗建模的A、可靠且交互式的AI工程师

一个真正适用于促进BEM过程的AI工程师应具备专家级的领域能力，在多样建筑分析场景中表现出色，并具备鲁棒性和高度交互性。例如，为助力实践，BEM中的AI工程师应兼具建筑领域知识和对建模规范的熟悉度。为了有效地减少手动建模工作量，AI工程师最好能自动化尽可能多的建模工作，从...

结论

本研究提出了LLM-BEM-Engineer，这是一个新颖的基于LLM的AI工程师，实现了面向复杂、真实世界建筑分析场景的端到端建筑建模。通过将微调后的领域知识整合到多智能体协作框架中，所提出的系统弥合了用自然语言描述的用户意图与基于物理的模拟工作流之间的差距，使得用户友好、可扩展且可靠的BEM实践得以在无手工干预的情况下实现。

结果表明，该...

CRediT作者贡献声明

Gang Jiang：写作—审阅与编辑，写作—初稿撰写，方法论，概念化。
Jianli Chen：写作—审阅与编辑，写作—初稿撰写，方法论，经费获取。

利益冲突声明

作者声明他们没有任何已知的竞争财务利益或个人关系可能影响本论文报告的工作。

致谢

本工作得到了中国国家重点研发计划（2024年项目编号2024YFC3809200/2024YFC3809203）的支持。

Gang Jiang | Jianli Chen