《Processes》：Agentic Artificial Intelligence in Chemical Engineering, Process Systems Engineering, and Process Control: A Systematic Review of Emerging Perspectives and Challenges
编辑推荐：
智能体人工智能（Agentic AI）在化学工程中的重要性日益凸显。许多过程决策涉及协调行动而非孤立预测，这些决策受到物理限制、测量不确定性、安全规程及人工监督的制约。本项遵循PRISMA（系统综述与荟萃分析优先报告条目，Preferred Reporting
智能体人工智能（Agentic AI）在化学工程中的重要性日益凸显。许多过程决策涉及协调行动而非孤立预测，这些决策受到物理限制、测量不确定性、安全规程及人工监督的制约。本项遵循PRISMA（系统综述与荟萃分析优先报告条目，Preferred Reporting Items for Systematic Reviews and Meta-Analyses）指南的系统综述探究了AI智能体在化学工程及过程控制相关问题中的应用领域、所使用的智能体族类、支持其贡献的证据，以及制约部署的局限性。研究人员于2026年4月20日在Scopus数据库中对标题、摘要和关键词字段进行检索。符合纳入标准的文献为2022年至2026年间发表、收录于化学工程（Chemical Engineering）学科领域且明确与AI智能体相关的同行评审论文。对每项研究提取了证据成熟度、报告的局限性及过度解读风险。纳入的研究被归纳为四个领域，即安全与风险，数字化与过程系统工程（PSE）工作流，控制、调度与操作，以及分子、反应与材料设计。大多数证据仍来自仿真、计算研究或原型，而非运行中的工厂。因此，本综述识别了以可审计工程证据为支撑的六项部署条件：工业验证、安全保障、基于本体的数字孪生、大语言模型（LLM）智能体的可重复评估、工程师与智能体交互的治理，以及跨尺度集成。
**引言**
化学工程中的决策很少依赖单一目标。操作变量的改变可同时影响过程性能、安全性、可持续性、产品质量和供应链韧性。经典过程系统工程（PSE）和先进控制已为建模、优化和全厂决策提供了数学语言，而当前人工智能（AI）浪潮改变的是可交由软件完成的工作量以及对此种委托必须实施的监督方式。AI仅在预测与物理约束、领域知识、不确定性处理和过程行动相结合时才变得有用，且化学过程具有非线性、安全后果严重及仪表化不足等特征，因此门槛高于许多数据密集型领域。
"智能体"概念之所以有帮助，是因为它将重点从预测转向具体情境中的行动。本综述将AI智能体定义为在既定环境中感知信息、调用记忆或外部工具、对任务进行推理、与其他智能体或用户交换信息，并选择行动或建议的计算实体或工作流。该定义覆盖面广泛，涵盖了基于智能体的建模与仿真（ABM）、多智能体系统（MAS）、强化学习（RL）智能体、语义或本体智能体、调用外部工具的大语言模型（LLM）智能体以及保持人机在环的工程助手。ABM长期用于表示社会与工程系统中的分布式交互，过程安全研究后来将其应用于多米诺效应、多灾害事故演变及化工厂缓解场景。RL作为序贯决策、自适应和策略学习的框架进入过程控制领域，尽管在样本效率、稳定性、约束满足和工业验证方面仍面临困难。与此同时，数字孪生、本体和知识图谱（KG）已成为组织过程数据、模型、单元、设备和操作语义的基础设施。新的变化在于，这些独立发展路线现在与LLM智能体、检索增强生成（RAG）和自主科学发现汇聚在一起。
在化学与材料领域，ChemCrow和Coscientist等系统展示了智能体系统在化学文献检索、代码执行和实验规划方面的能力。生成模型、逆向分子设计和逆合成系统探索化学空间并提出候选物，而自驱动实验室指向假设生成、实验执行与优化的闭环。这些成果技术上令人瞩目，但也暴露出在工程中尤为重要的风险，如虚假声明、来源不清、不可重复的工作流及缺乏物理可行性的自动化。
现有文献存在空白。虽有关于化学工程中AI和机器学习（ML）、过程控制RL、数字孪生、自驱动实验室及化学领域LLM的综述，但很少将AI智能体作为跨越安全、数字孪生、控制、优化、知识提取、反应设计及分子与材料工程的组织概念来对待。该区分并非表面文章：疏散ABM、多智能体强化学习（MARL）控制器、本体支撑的数字孪生和GraphRAG文献智能体均属智能体范畴，但在自主性、所需验证和工业风险方面差异显著。本综述以PRISMA指导的综合方法填补这一空白，纳入Scopus化学工程学科领域2022至2026年间19篇文献，提出四项研究问题：RQ1——当前化学工程及过程控制相关研究中出现了哪些AI智能体族类；RQ2——这些智能体针对哪些应用领域和工程任务；RQ3——所声称贡献背后有何验证基础、报告指标和证据成熟度模式；RQ4——方法、安全、人因治理和部署方面的哪些差距应塑造未来的研究议程。
**材料与方法**
*综述设计与报告框架。*本综述遵循PRISMA指南报告检索策略、纳入标准、筛选、纳入决策和数据综合过程。由于19项研究报告的效应量缺乏共同基础（涉及仿真、数字孪生演示、过程控制基准测试、文献规模信息提取或分子计算设计），因此不适合进行荟萃分析，综合方法为定性和主题性综合。报告还对照了PRISMA摘要清单，并在附录中提供了完整的PRISMA 2020检查清单。
*数据库、检索方程与检索日期。*以Scopus为主要数据库，因其广泛覆盖同行评审的工程与化学工程期刊。检索于2026年4月20日在标题、摘要和关键词字段执行，检索式包含"AI agent*""intelligent agent*""autonomous agent*""multi-agent system*""LLM agent*"等与化学工程及过程控制相关的术语组合。时间窗口设为2022至2026年，以聚焦近期智能体阶段。研究人员还通过基准族类对比对检索完整性进行了覆盖率检查，确认检索式已覆盖RL/MARL过程控制与优化、语义PSE数字孪生、多智能体与ABM系统及LLM过程工程智能体四个哨兵族类中的代表性研究。
*纳入标准与全文评估。*文献纳入须同时满足：来自最终Scopus检索方程，发表于2022至2026年，文献类型为论文，处于最终出版阶段，属于化学工程学科领域，与AI智能体明确相关，且全文可获取。最终19篇文献全部进入定性综合。Chen & Chang因对比专家启发式应急程序与AI智能体未来程序合成而被保留为边界记录，Wassick & Perez因讨论数字供应链中人与机器决策的边界而被类似保留。由于纳入研究并非临床干预试验且设计异质，未采用正式数值偏倚风险工具，而是通过涵盖验证模式、对照基线、作者报告的局限性、工业相关性、可重复性约束及仿真或原型结果过度解读风险的结构化证据成熟度评估对每项研究进行评价。
*解释性背景文献。*PRISMA语料库确定后，来自OpenAlex、Crossref和Semantic Scholar的补充文献仅用于支持定义、方法论论证和批判性解释。21个查询字符串分为PRISMA与方法论、AI与PSE、安全与风险ABM、数字孪生与本体、RL与MARL控制、LLM与RAG化学、分子与材料发现七个集群。
*数据提取与综合流程。*每篇纳入全文对照结构化矩阵阅读，记录作者与年份、国家或地区、来源、DOI、应用领域、过程或单元操作、智能体类型、AI方法或架构、过程或控制任务、数据来源或环境、验证方法、性能指标、主要发现、报告统计量、局限性、工业相关性及在讨论中的作用。随后将记录归入四个应用领域，并将智能体族类分为基于智能体的仿真与风险模型、控制与优化MARL/RL智能体、知识或语义智能体及LLM智能体、保持人机在环的决策支持智能体及背景性过程安全基线五类。
*局限性。*标题、摘要和关键词过滤以及化学工程学科领域限制提高了精确度，但可能遗漏计算机科学、自动化、材料科学或运筹学等交叉学科的工作以及会议论文和预印本。术语方面，作者对AI智能体的描述方式多样，难免有所遗漏。证据本身异质且主要基于仿真，因此结论识别的贡献模式、证据成熟度水平和研究空白，而非量化效应量。另外，限制于化学工程学科领域虽增强了学科相关性，但也排除了自动化、机器人、计算机科学等领域的技术工作。
*生成式AI使用声明。*稿件准备过程中以有限且受监督的方式使用了生成式AI工具：Claude 4.8用于作者撰写文本的语言编辑，ChatGPT 5.5用于生成第3.3至3.6节的概念示意图。
**结果与讨论**
*语料库概览与证据范围。*最终语料库包含2022至2026年间发表的19项研究，集中于2025和2026年（2022年3篇、2023年1篇、2024年0篇、2025年8篇、2026年7篇），反映了过程数字化、RL、LLM智能体和自主科学工作流的持续发展。来源期刊以过程工程和化学工程为主，包括Computers and Chemical Engineering、Chemical Engineering Science、Process Safety and Environmental Protection和Chemical Engineering Journal等，表明该语料库并非泛化AI样本，而是植根于过程建模、安全、控制、数字化和化学设计的编辑范围。阅读全文后识别出四个应用领域：安全与风险、数字化与PSE工作流、控制—调度—操作、分子—反应—材料设计。
*智能体类型学：为何必须消歧"智能体"一词。*"AI智能体"一词并非指向单一算法族类，在纳入研究中涵盖ABM实体、可靠性智能体、RL/MARL决策器、调度器智能体、本体和知识图谱智能体、LLM推理智能体、GraphRAG文献智能体、群体智能智能体和保持人机在环的助手。论文将术语归为五个工作类别：基于智能体的仿真与风险模型再现分布式交互；MARL和RL智能体用于控制与优化，随时间选择行动；知识、语义和LLM智能体协调信息、工具、本体和推理；决策支持智能体辅助工程师而不声称完全自主；第五类为背景性类别，由Chen & Chang的工作推断而来。这些族类在目标、架构和验证逻辑上存在根本差异：ABM研究多为解释性或场景构建型，验证依赖于场景忠实度、敏感性分析和透明的交互规则；RL和MARL智能体学习策略，须验证鲁棒性、约束满足、闭环稳定性、样本效率和实时可行性；知识型智能体使过程语义通过本体、知识图谱等可执行，验证聚焦语义覆盖、内部一致性和可维护性；LLM和RAG智能体通过提示、检索、记忆、工具调用编排语言和工具，须验证任务成功率、来源依据、幻觉控制和可审计工具调用轨迹。
*安全与风险：自主干预前的动态交互。*Li等人将多智能体疏散模型应用于有毒氨释放应急规划，通过气体暴露分区、预警传播和逃生路线状态实现分区域差异化应急行动。Guo等人提出基于智能体的多状态系统可靠性框架，识别水下采油树15个节点的可视化失效路径。Kanj等人提出通用动态ABM，相较参考ABM提高了准确性和响应时间。这些结果与更广泛的过程安全ABM研究一致。ABM使化学工程师将人员、设备、危害、屏障和工厂布局视为交互实体而非孤立变量，因为过程事故很少以静态事件形式发生，而是通过耦合的物理和组织路径展开。然而，纳入研究在应急行为、失效逻辑和人员响应方面仍存在简化，尚无安全智能体论文展示在运行工厂安全系统中的长期部署。Chen & Chang的工作作为对照案例提供了严格基线——其基于工程判断和动态仿真的应急程序减少了75%至80%的火炬蒸气排放。未来任何智能体程序生成器都必须与快速、易懂且已获信任的专家启发式程序竞争，近期内更现实的角色是生成场景、模拟后果、比较程序和解释输出并提交操作员审查。
*数字孪生与PSE工作流：智能体作为编排基础设施。*Zhang等人提出基于本体、知识图谱和智能体的化学过程数字化语义框架，核心观点是智能体孪生首先需要单元、流股、传感器、模型、假设和工作流的共享语义。该观点与J-Park Simulator等早期本体工作及化学过程数字孪生综述一致。语义智能体可驻留在审计层，使AI工作流在工厂内可追溯。Laub等人让RL智能体自动创建和调整机理模型，解决了PSE中数字孪生需要可执行、可更新且物理意义清晰的模型的实践瓶颈，支持了第一性原理与数据驱动方法应结合而非对立的混合建模论点。Prasopsanti等人和Wassick & Perez关注数字化的人因层面：Hybrid-AI-sep作为计算机辅助多智能体问题解决与学习助手，而非自主分离设计器；后者将讨论引入数字供应链，其中智能体决策支持须适应组织流程、人员信任和企业约束。Lima等人提出面向非线性模型预测控制（NMPC）的专用多智能体LLM方法。这些论文描述的智能体协调过程数据、文献、模型、仿真和工程师审批，而非简单发出建议。
*控制、调度与操作：有前景的性能。*控制、调度和操作构成最大的应用领域。Rangel-Martinez与Ricardez-Sandoval提出带注意力机制的深度强化学习（DRL）智能体用于在线批调度，提高了可行性并使生产奖励权衡可视化。Yifei与Lakshminarayanan从控制理论角度将智能体视为反馈控制器和解耦器。Fraga等人证明多智能体编排求解器可提高混合优化效率。Bo等人将分布式多智能体控制应用于阵列集成精馏单元，在±10%进料扰动下维持纯度接近99.5%。He与Hu在造纸废水过程中使用MARL，报告了更低的成本、能耗和温室气体排放。Meng等人将群体智能用于多轴搅拌反应器，相较传统最优控制反应速率提升46.7%。综合来看，这些发现支持一个聚焦结论：在集中控制或静态优化过于僵化的系统中，智能体可协调耦合决策。但证据评估应适度，因为大多数控制与优化结果来自仿真或基准测试，且工业系统须满足稳定性、约束满足、扰动抑制、模型失配容忍和操作员信任要求。
*分子、反应与材料设计：智能体作为假设生成器。*Peng等人结合LLM提取与GraphRAG构建低共熔溶剂知识资源，包含34,027条记录和9,215个独特配方。Roy等人利用表征学习和预测分析在数据稀缺时估计胶束催化产率。Che等人以多智能体多阶段RL探索化学空间，Lu等人将LLM进化优化应用于过渡金属配合物，仅评估设计空间的一小部分。分子智能体作为假设生成器而非部署控制器运行，其生成的分子、预测的产率或优化的配合物在未经合成可行性、反应条件、分离要求、规模化行为及成本环境约束评估之前，尚不构成过程工程贡献。LLM和RAG系统需进一步审慎对待：RAG可将语言模型建立在外部知识基础上，但幻觉、基准泄露、工具失效和来源不清可能扭曲科学声明，因此LLM智能体应辅助提取、聚类和检索，同时输出须可追溯至原始来源。
*证据成熟度与报告指标的价值。*控制与数字化研究与操作工作流最为一致，分子设计研究作为计算发现工作流最强，安全研究作为动态场景模型最强。19项研究报告了定量指标，但效应量不可比较——应急程序火炬减排75%至80%、动态风险建模准确率提升15%、DES提取准确率>90%、扰动下纯度99.5%、反应器仿真反应速率提升46.7%等数值不能作为智能体族类排名的共同尺度。每项指标应在研究内解读为某一智能体机制改进了某一任务，综合工作应使用指标族类、验证模式、对照和注意事项，而非汇总结果或跨领域排名性能。产生智能体价值的相同特征也带来部署风险：分布式ABM使场景更真实但可能引入关于人员行为的未观测假设；RL和MARL智能体学习协调策略但无约束奖励优化可能隐藏不安全行动；语义和LLM智能体改善知识集成但风险转向本体维护、检索质量、来源和幻觉控制；保持人机在环的系统降低无监督自主风险，但仅当人员角色被明确设计而非作为通用安全措辞时才有效。
*跨领域差距与未来研究议程。*工业验证是最紧迫的跨领域问题。智能体应依次通过高保真数字孪生、硬件在环仿真、工厂影子模式运行和受控中试研究。计算复杂性、可扩展性和实时实施也须在工厂规模部署前明确评估：ABM和动态风险智能体随实体数量增长而变昂贵，MARL和分布式控制智能体承受训练、协调开销和通信延迟，语义、数字孪生和LLM智能体面临本体维护、检索延迟和工具调用失败等瓶颈。大工厂因此需要分层架构、本地后备控制器、有限决策时域、异步通信、代理模型和缓存检索。更具体的研究路径为：首先在固定数据集上离线基准测试，然后迁移至高保真数字孪生和硬件在环环境，第三步为影子模式运行，最后将有限功能迁移至受安全滤波器、报警感知后备策略和操作员否决权保护的中试部署。由此产生可检验假设：H1——本体支撑的数字孪生改善可追溯性并减少模型选择错误；H2——约束RL和MARL结合MPC或屏障函数安全层降低违规率；H3——保留证据日志和不确定性标记的LLM和RAG智能体减少无依据声明；H4——暴露置信度、理由和否决选项的界面改善信任校准和操作员态势感知。三个新兴方向值得关注：物理信息智能体嵌入机理平衡、热力学约束和安全包络；基础模型和领域专用LLM智能体连接文献、设计启发式、代码、仿真器和工厂文档；混合框架结合第一性原理与AI，桥接数字孪生和智能体决策系统。第二个差距涉及安全与约束执行：RL和MARL智能体擅长序贯决策，但过程工厂要求约束满足和故障安全行为，过程控制文献建议将安全RL与机会约束、MPC式收紧、屏障函数惩罚或监督安全层结合。第三个差距是透明推理：可靠的智能体化学工程系统应生成证据日志、指向来源的声明、版本化提示、不确定性指标和可复现执行轨迹，本体支撑的数字孪生和知识图谱为可审计工作流提供了有前景的路径。第四个差距是工程师与智能体交互的治理：经典人机交互研究表明自动化改变工作性质并将责任从直接操控转向监控、异常处理、诊断、授权和恢复，在化工厂中操作员须保持态势感知、校准信任、识别推荐超出验证包络的情况并保留停止或降级自动化的权限。第五个差距是跨尺度集成：纳入论文涉及分子设计、产率预测、过程控制、数字孪生和供应链，但这些领域大多相互割裂，未来需要统一架构使约束和不确定性从分子假设传递至过程可行性、工厂控制和企业决策。
**结论**
本综述覆盖了Scopus化学工程学科领域2022至2026年间19篇涉及AI智能体的文献。主要发现是化学工程中的智能体AI并非单一技术，而是汇集了面向安全与可靠性的ABM、面向控制与优化的RL和MARL智能体、面向知识编排和数字孪生的语义与LLM智能体、保持工程师在环的决策支持智能体，以及标识未来智能体须证明其价值的背景基线。总体而言，这些研究支持使用智能体构建动态交互、协调序贯决策、编排异质知识和生成假设。主要局限性在于证据不够成熟，大多数研究止于仿真、基准测试、计算或原型阶段。未来的任务不是宣告无监督自主工厂，而是构建可审计的分层自主——即智能体检索证据、模拟后果、协调模型、提出行动并支持工程师，同时安全层和人员权限保持明确。植物规模验证应指导该议程，同时涵盖安全RL与约束保障、本体支撑的数字孪生、LLM和RAG系统的可重复评估、工程师与智能体交互的治理、ABM报告标准以及从分子到过程再到供应链的跨尺度集成。核心启示并非智能体AI等同受益于每种情形，因为各架构承载着各自的收益与风险平衡，研究议程应通过安全改进的功能、公开的假设和保留的人员权限来比较不同架构。
