钢铁工业作为国民经济的基础性支柱产业，在基础设施发展和高端设备制造等战略领域处于关键地位，其全产业链积累了覆盖生产､制造､销售､库存等环节的海量数据资产，为智能化转型提供了坚实的数据基础｡在人工智能与实体经济深度融合的政策推动下，钢铁行业对数字化升级的需求愈发迫切｡然而实际业务场景中仍存在诸多痛点：性能预测依赖经验，参数与性能关系难以量化，导致产品批次波动；安全法规体系零散且更新滞后，制约企业合规核查效率；营销客服客户数据安全管控不足，跨系统数据查询响应慢｡这些痛点与“数据孤岛”现象叠加，严重制约行业数字化水平，推动核心业务场景智能化成为钢铁行业实现本质安全与高质量发展的必由之路｡

大语言模型(LLM)凭借强大的自然语言理解､多源信息整合及语义生成能力,为破解钢铁行业痛点提供了全新技术路径｡其在复杂需求分析､专业知识解读､多轮交互响应等方面的优势，与钢铁行业业务场景高度契合｡然而，由于训练语料中缺少钢铁行业的特定知识,通用LLM对工艺术语和业务逻辑的理解深度不足，在性能预测､营销数据查询等场景中易出现偏差，限制了实际适用性｡因此，基于具体业务场景，在首钢大模型应用平台搭建定制化智能体，实现LLM与钢铁行业需求的精准耦合，成为技术落地的关键｡

本文聚焦钢卷性能预测､安全法律法规智能问答､营销智能客服三大核心场景，结合首钢大模型应用平台，以工作流为核心技术驱动，深度结合业务需求，通过提升预测精度､安全法规问答准确率及客服响应智能化水平，为钢铁行业的业务场景优化提供了切实可行的解决方案｡

1 首钢大模型应用平台介绍

1.1 总体架构

首钢大模型应用平台采用微服务架构，主要包括“算力⁃模型⁃平台⁃场景”四层架构｡ 

(1)场景层｡积累财务问数､合同审核､营销客服､采购助手､生产总结撰写､安全法律法规问答等不少8个典型场景应用案例，具备快速复制推广能力；

(2)平台层｡首钢大模型应用平台具备RAG知识库构建､智能体低代码构建､自定义代码块集成等AI可视化开发工具链，具备智能识别､智能问答､智能审核､智能撰写､智能问数､智能分析六大类智能体能力；

(3)模型层｡已部署DeepSeek满血版等大语言模型､Qwen2.5⁃VL⁃72B多模态模型､Bge⁃m3等分词模型，基于首钢云可实现各类模型的跨地域调度和多模型混合使用；

(4)算力层｡应用国产化技术路线，以统一训练，分布式推理架构，建成30P AI算力，配备等保三级防护体系｡

图1 平台架构

1.2 关键技术

(1)自然语言处理(NLP)与大语言模型(LLM)作为平台核心引擎，借助Qwen､DeepSeek等预训练模型的能力，对用户输入进行语义解析，精准识别分析意图，同时实现业务实体､时间､指标等关键信息的抽取；

(2)平台以检索增强生成(RAG)架构为核心，通过检索和生成协同工作，先通过检索引擎将用户提问与知识库精准匹配，再由基于检索到的文本生成回答，从源头避免大模型“幻觉”,确保输出内容有据可依；

(3)语义向量检索引擎实现深层语义匹配，将用户自然语言提问与知识库文本转化为高维向量，通过向量数据库快速定位语义相似的条款，解决同义词､专业术语表述差异导致的检索偏差；

(4)上下文管理与对话状态跟踪(DST)技术保障多轮对话的连贯性，通过指代消解与意图延续，实现“追问即理解”的交互体验；

(5)SQL生成引擎基于解析结果，结合数据库Schema信息，自动生成可执行的SQL语句，支持多表JOIN､聚合函数､条件过滤等复杂操作；

(6)系统集成规则引擎与机器学习模型，实现异常检测､趋势预测与智能预警｡

1.3 智能体

智能体是首钢大模型应用平台实现业务场景落地的核心工具，封装语义解析､知识检索､代码块执行等模块化节点，支持提示词开发､构建知识库与关键参数配置等，通过按需组合扩展节点，实现“需求解析⁃节点编排⁃输出校验⁃反馈迭代”的闭环技术框架，完成节点间数据流与控制流协同执行｡

搭建智能体的核心优势在于高灵活性与适配性，可依据业务需求动态调整节点配置，实现“一需求一流程”的定制化开发，弥补了通用LLM缺乏行业专属能力的不足｡通过智能体编排精准贴合业务特性，为大模型+钢铁行业的深度融合提供关键技术支撑｡

2 业务场景分析

2.1 钢卷性能预测

2.1.1 业务需求

钢铁产品的屈服强度､抗拉强度､断后延伸率是衡量质量的核心指标，直接影响下游应用安全性｡当前调整工艺主要依赖工程师经验，难以量化参数与性能的复杂关系，导致产品批次性能波动大;同时企业积累的海量生产数据因缺乏有效的分析工具而无法挖掘其价值，因此，引入大模型构建钢卷性能预测智能体，从历史数据中学习，实现事前精准预测，对提升钢卷质量稳定性具有重要价值｡

2.1.2 技术实现路径

基于首钢大模型应用平台，搭建一套“数据获取⁃模型计算⁃报告生成”的智能体｡

第一步：数据获取与预处理｡通过材料号关联钢种牌号，提取同牌号下最新生产的300条包含化学成分､加热温度､轧制速度等关键工艺参数的数据，对提取的数据执行标准化处理及缺失值填充，确保输入数据的完整可用，为后续预测精度提供数据基础｡

第二步：小模型执行性能预测｡将预处理后的数据集输入代码内置的预测模型，采用XGBoost､随机森林等小模型构建组合预测方案；小模型完成屈服强度､抗拉强度等核心性能指标的计算后，输出两部分核心结果：一是具体的性能预测数值二是平均绝对误差决定系数等精度评价数据，直观反映预测可靠性｡

第三步：大模型生成业务化结果｡大模型在整合小模型的预测数据与精度指标后，自动生成涵盖性能预测结果､偏差范围及工艺优化建议等内容的标准化报告；同时支持异常追溯分析，通过自动对比正常与异常数据，定位导致性能波动的关键工艺参数，为生产调整提供精准依据｡

2.2 安全法律法规智能问答

2.2.1 业务需求

钢铁生产涉及危险化学品使用､有限空间作业等高危环节，需严格遵循国家､行业､地区､企业四个层级的安全知识框架，各类知识碎片化分布，因此在当前企业安全生产管理中，将面对法律法规数量多､更新快､层级杂的突出问题｡传统上网检索方式效率低下，不仅需要在多平台间切换拼凑信息，还易出现关键条款遗漏､新旧标准混淆的情况，信息获取成本高；另外不同岗位人员对专业条文的理解存在差异，易产生解读偏差｡这些因素共同阻碍了企业安全法规制度的落地执行，影响全员安全生产责任的有效落实｡

在此背景下，引入大模型技术构建安全法律规章智能问答智能体，整合多源知识资源，实现一问即答､一查即准，提升企业安全生产管理智能化水平｡

2.2.2 技术实现路径

基于首钢大模型应用平台构建“知识构建⁃检索匹配⁃回答生成”三级智能体｡

第一步：知识体系构建｡通过人工从应急管理部､国家标准化管理委员会等权威官网下载安全法规条文，结合企业内部安全制度文件整理入库，形成涵盖600余条核心条款的结构化知识库，搭建时按照国标､行标､企业制度等分类标准构建知识体系，确保条款归属清晰可查｡

第二步：智能检索引擎｡融合关键词检索与语义向量检索技术，用户输入自然语言问题后，系统先通过NLP解析核心要素，再通过向量数据库匹配语义相似条款；

第三步：回答生成｡LLM基于检索到的权威条款，按“核心结论+法规依据+执行要点”结构生成回答，明确标注标准编号､条款号及原文，支持多轮追问，对用户问题连贯效应｡

2.3 营销智能客服 

2.3.1 业务需求

在数字化经济竞争聚焦客户服务体验的背景下，营销客服作为钢铁企业连接客户的核心触点，直接影响客户信任度与合作粘性｡营销客服的服务场景主要覆盖两类核心需求：一是数据查询类，客户需即时获取订单､库存､质保书､发票､合同签章､资金等关键运营数据；二是业务咨询类，客户常咨询首钢产品体系､购买渠道､合作流程等知识类问题｡当前传统人工客服模式难以完全响应上述需求，由于需跨多系统手动拼凑数据，简单查询平均耗时30min,复杂统计类需求甚至需数小时，无法满足客户对即时性的诉求｡

在此背景下，引入大模型技术构建营销客服助手智能体，通过大模型对问数和问答能力实现数据查询与业务咨询需求，提升客户服务体验｡

2.3.2 技术实现路径

以首钢大模型应用平台为核心搭建全流程智能体｡

第一步：搭建首钢产品专属知识库，涵盖热轧､冷轧､中厚板等全系列产品的参数规格､适用场景､质量标准､购买渠道等核心信息，为咨询需求提供权威知识来源；

第二步：进行意图识别，当系统接收用户需求后，通过意图分析区分产品咨询与数据查询两大核心需求类型：若判定为产品咨询，不涉及任何订单､库存等数据查询时，则不触发身份校验，使用游客身份直接进入，由大模型基于知识库内容生成精准回答；若判定为数据查询则立即触发身份校验环节｡

第三步：执行身份核验与数据查询流程｡当用户输入数据查询类问题时，系统首先需校验用户的登录状态，对未登录用户会直接弹出登录提示，并阻断所有数据查询请求；已登录用户可通过自然语言直接输入，或点击前台功能按钮两种模式发起查询，大模型将分析需求并拆解出关键参数，自动生成适配数据库的SQL语句，连接订单､库存等专用数据库完成检索，最终将结果以结构化表格形式展示给用户｡

3 场景应用实例

3.1 钢卷性能预测

钢卷性能预测智能体的构建，通过数据预处理保障数据质量，多维度相关性分析识别关键参数，专业模型实现精准预测，反向推荐提供优化方向，为生产质量管控提供了从数据到决策的闭环支撑｡

图2 钢卷性能预测场景实例

左侧图表：相关性分析数据表；右侧图表：产品成分性能预测报告。

3.2 安全法律法规智能问答

安全法规问答智能体通过构建多源知识库，结合关键词+语义混合检索的RAG架构，实现了权威知识的全面覆盖与高精度匹配，并借助LLM将专业条款转化为通俗的业务语言，有效解决了传统人工查询的低效与理解偏差问题｡

图3 安全法律法规智能问答实例

3.3 营销客服助手

营销客服助手智能体以“权限管控⁃需求解析⁃精准响应”为核心架构，集成身份校验保障数据安全､多意图识别锁定客户需求､双模式查询适配使用习惯､SQL自动生成实现快速检索､可视化展示提升数据可读性等功能，破解了传统客服响应慢､数据散､安全弱的难题，为客户提供高效合规的数据服务，其应用效能可通过实际服务场景验证｡

图4 营销客服助手场景实例

4 结论与展望

4.1 结论

本研究聚焦钢铁行业钢卷性能预测､安全法律法规智能问答､营销智能客服三大核心业务痛点，以首钢大模型应用平台为技术基座，通过串联数据处理､逻辑判断､结果生成等核心节点定制化开发智能体，最终实现了大模型与钢铁行业业务场景的深度耦合｡

钢卷性能预测场景通过“数据预处理⁃小模型预测⁃大模型解读”的智能体，将工艺参数与性能指标的非线性关系量化，不仅使预测结果精度满足生产需求，更通过工艺优化建议与异常追溯功能，推动质量管控从事后检验转向事前调控，为减少废品损失､稳定产品质量提供了数据支撑｡

安全法律法规智能问答场景依托人工整理专业条款知识库，结合RAG架构与LLM解读能力，使法规查询准确率达到95.8%,平均响应时间解决了传统查询低效的问题

营销智能客服场景通过意图识别和身份校验，实现营销产品咨询与数据查询的需求，既保障了游客身份下的咨询服务便捷性，又通过自动化权限管控与SQL生成技术，将数据查询响应时效从30min级压缩至分钟级，兼顾了服务效率与数据安全｡

通过首钢大模型应用平台搭建定制化智能体，有效突破了通用大语言模型对工艺术语､法规条款的理解壁垒，将智能体输出结果直接服务于一线生产､安全管理与客户服务人员，实现了“数据价值⁃业务决策”的转化，为钢铁行业数字化转型提供了可落地的技术路径｡

4.2 展望

本研究虽实现了三大核心场景的LLM应用落地，但仍存在一定局限性：钢卷性能预测的小模型在实际生产中因工况变化或数据漂移导致预测失准，泛化能力不足；安全法规问答系统对跨层级法规冲突的处理能力有待提升；营销客服助手对客户意图理解存在偏差｡基于此，未来将继续从智能体的搭建流程和提示词开发进行优化，提升复杂需求响应能力，确保智能体能够真正落地创造价值｡

在现有场景实现稳定高效运转的基础上，基于首钢大模型应用平台，深度结合钢铁行业场景需求，以“LLM+行业数据+业务流程”为核心，构建贴合钢铁行业全产业链特性的智能支撑方案，通过场景延伸进一步释放大模型的应用价值，为行业数字化转型提供更全面的支撑｡

原文刊载于《冶金自动化》 作者：吴强 任立辉 任紫芸 吴冰 蔡红蕾 刘志军