标杆案例分享：典型长流程钢厂物料与能源平衡 AI 推演

碳价涨了该不该多用废钢、电价涨了自发电会不会掉——这是长流程钢厂每天都要回答、却很难算清的问题。买进来的主要是煤和矿，炼铁炼钢又白得大量煤气，煤气再回去发电、供热。价格信号一变，一个工序的调整会顺着铁、碳、能源三条链传遍全厂。

把三本账放进同一套计算引擎，四个价格任意拖动、浏览器内毫秒级重算；三位专家 Agent 分头检索知识库、校核工艺前提，约 90 秒给出一份带触发价的推演报告。所有数字由代码算出，AI 只负责判断与解释；结论自动回写 3D 孪生并由前端同源复算校验，误差 ≤ 0.1 元/吨钢。

项目背景

长流程（高炉—转炉）仍是我国粗钢产量的主体，也是工业领域能耗与碳排最集中的环节之一。与短流程不同，长流程钢厂的物质流与能源流高度耦合：外购的主要是铁矿石与焦煤焦炭，炼铁炼钢过程中又"白得"高炉煤气、焦炉煤气、转炉煤气三股副产煤气，煤气再回到热风炉、轧钢加热炉和自备电厂，转成热和电。于是出现一个反直觉的现象——多用废钢、提高入炉品位这些公认的减碳动作，会让铁水减少、高炉煤气减少、自备电厂发电下降，外购电反而上升。减碳省下的碳成本，可能被多买的电费吃掉。

核心挑战

一、四个价格相互拉扯。 碳价、铁矿石、焦煤焦炭、外购电价经常同时波动：碳价涨了该多用废钢，电价涨了又不想让自发电变少，单看一个价格做决策往往顾此失彼。

二、物质平衡与能源平衡必须一起算。 分开算会算错方向——这是长流程钢厂与一般制造业最根本的差别。

三、煤气存不住、能量转好几圈。 煤气柜只够缓冲十几分钟到一小时，煤变煤气、煤气变电和蒸汽，每转一圈都有损失；哪里在漏、漏多少，需要一张全厂的"流"图才看得清。

四、碳成本口径不同，结论可能相反。 按企业内部影子碳价，减碳很值钱；按当年碳市场履约规则（配额随实际排放调整、盈缺不超过 ±3%），同一组措施的收益可能只剩三分之一——同一个厂、同一组动作，换个口径就是另一个答案。

五、决策链条割裂。 采购、生产、能源、碳资产各算各的账，缺少统一的盈亏判据与跨环节的决策中枢。

六、这类问题最怕 AI "算"数字。 一旦模型自己做乘除、换算单位或估一个系数，整份报告就失去可信度，现场也不会采信。

解决方案

把"三本账"定义成一套机器可执行的计算口径，再用多智能体做判断与解释，数字与判断严格分离。

一套引擎、两处运行。 铁元素账（矿 → 烧结 → 高炉 → 铁水 + 废钢 → 转炉 → 钢，算清铁从哪来、损失在哪）、碳元素账（碳平衡法，进厂碳 − 产品带走的碳 = 排放，拆到每一个排放口）、能源账（三股煤气的发生、工序自用、放散、发电、外购电）写成同一批 Python：前端用 Pyodide 在浏览器内跑，ADP 用代码节点在云端跑，逐字相同；引擎指纹锁定版本，AI 结论回写后由前端立即复算比对，界面显示"一致 ✓"。

四个价格 × 五个厂内杠杆。

碳价（影子碳价 / 当年履约两种口径）、铁矿石、焦煤焦炭、外购电价四路价格信号，对应上面五个杠杆。任意组合，浏览器内单次重算 6.2 ms，三本账与 3D 孪生同步刷新。

多智能体编排。 基于腾讯云 ADP 的工作流编排：总调度 + 铁元素流、碳元素流、能源介质三位专家 Agent，串行执行、信息隔离，各自按标签检索对应知识库，分别判断每个杠杆的工艺前提——转炉热平衡能否支撑更高废钢比、高炉透气性能否承受更高喷煤比、煤气柜容量与热装节奏是否跟得上——可行、有条件还是不可行，都要写明依据。

数字归代码、判断归模型。 所有成本、排放、电量数字由代码节点算出，模型不估算、不换算；报告末尾驱动 3D 回写的动作块同样由代码生成，模型碰不到。知识底座覆盖原料与炼铁、碳核算与碳市场、能源介质平衡三域，引用政策原文、国家标准、行业协会数据等公开来源并逐条核查。

推演实录

提问后 13 步进度实时显示：哪位专家在工作，3D 上对应的那片设备就点亮，报告边写边出。

先给三张"账本瀑布"，把同一次计算结果换个看法——3D 回答"东西流到哪"，瀑布回答"这本账怎么算平"。

铁元素账：从外购矿 873 kg Fe/吨钢一步步走到钢水 990，绿柱是加进来或厂内回用（尘泥返烧结不算损失）、红柱才是真损失。铁收得率 95.8%，最大一笔损失在转炉——43 kg 入渣与喷溅、约 59 元/吨钢。

碳元素账：从进厂 529.7 kg 走到各个排放口、终点归零即碳账闭合，柱内分段显示碳此刻在焦、在喷煤还是在煤气里。最大排放口是自备电厂、占 39%。

能源账：从全厂用电 493 kWh/吨钢逐项减掉自发电（煤气发电、TRT 余压、干熄焦、烧结余热），剩下的就是必须外购的缺口。自发电覆盖 76% 用电，缺口 116 kWh/吨钢必须外购。

每根柱子下面是这一步的物理量，再下面是它折成的钱，图下一行给出口径与折成全年的规模。

再输出五段式报告：情景与基准 → 单项杠杆效果排序 → 推荐组合与合计 → 三位专家的工艺前提与风险 → 触发价与分部门动作。报告结论自动回写 3D 孪生、价格滑块与杠杆勾选，前端用同一套代码复算核对后标注"一致 ✓"。

落地成效

以年产约 500 万吨（日产钢 13,700 吨）的典型长流程钢厂为口径，吨钢可变成本基准 2,955.5 元，Demo 实测（负数 = 省钱）：

三条可直接带走的结论：

• 碳成本口径会改变决策。 同样五项动作，影子碳价下省 32.9 元/吨钢，履约口径下只省 10.3 元——短期履约看不到减碳收益，内部影子碳价才能体现长期价值。这不是模型误差，是两种会计口径的真实差别。
• 碳价一涨，"看价格"变成"该做"。 默认价格下废钢比和高品位矿不推荐立即做，但给出触发价（废钢 ≤ 2,493 元/吨再做）；碳价升到 200 后五项全做，直接排放同步下降 121 kg CO₂/吨钢。
• 三本账闭合可校验。 铁收得率 95.8%，碳账终点归零，自发电覆盖 76% 用电——账算不平，结论就不能用。

工程指标： 全链从提问到完整报告约 90 秒；前端单次重算 6.2 ms，连续拖动只算最新一次；AI 结论回写后复算误差 ≤ 0.1 元/吨钢。

以上为 Demo 假设值，基于特定参数组合测算。

方法延续

两个项目构成一条完整的决策链。

前一条线回答"什么时候炼"。 基于实际产线构建数字孪生仿真环境，内置工序依赖、设备能力、工序转移与炉间间隔等物理与可配置约束，确保生成的任何排产方案在虚拟环境中均"可行"；融合深度强化学习与规则策略的混合算法在低价时段冶炼、高峰时段避让。驾驶舱把实时生产与仿真规划放进同一视窗动态对比，标注峰谷时段、预警连铸断浇风险、识别速度瓶颈。

本案例回答"钱该花在哪一步"。 把铁、碳、能源三本账与四个价格信号联算，在统一的盈亏判据下输出行动排序、触发价与工艺前提。

两者叠加，再接入采购、生产、能源、销售、库存的多智能体协同，就是面向钢铁企业的 AI 经营决策中枢：电力灵活性的价值被量化变现，配料与能源的每一步调整都能同时看到成本、碳排与收益三张账。

总结

多智能体编排、知识库检索、代码节点这些能力，用腾讯云智能体开发平台 ADP 的工作流即可搭建，不需要自己造运行时。产品文档见 https://cloud.tencent.com/document/product/1759。