从多平台智能体到 Carbon AIoT 固废低碳智慧治理

摘要

在本科期间，本人因包括长文献阅读、项目推进等实际需要，学习了LangChain等智能体技术，这有助于提高研究生科研与日后的工作效率；作为竞赛产出，本人参与了浙江省人工智能竞赛， 团队参赛作品“日程规划精灵”智能体依托钉钉平台 UI 工作流完成自然语言任务解析、候选日程决策与交互输出。 相比平台默认模板，该方案更强调结构化变量抽取、逻辑校验与可扩展执行流程，在多日程连续创建和批量导入课表场景中表现更稳定。

项目背景与个人职责

范式一：AI 决策 + 代码规范化变量 + 模块执行

竞赛作品主要利用钉钉平台，依托平台UI操作构建了“日程规划精灵”这一智能体，在开发智能体的过程中，本人总结了“AI提取信息并决策+代码规范变量+模块执行”的UI类智能体开发路径；具体内涵是指对于用户输入的自然语言信息（比如“在明天早上八点创建吃早饭日程”），传统的代码约束难以处理灵活多变的语言形态，所以利用UI设置LLM在用户输入的语言指令中需要提取的信息（如：定义为时间格式变量的日程时间，定义为字符串变量的日程内容），再利用AI-Prompt设置，将用户需求与现有钉钉日程做比较，避开冲突时间（平台提供查询现有日程接口，GUI智能体开发界面可以设置），AI决策出两个待选日程规划选项，并输出JSON格式决策结果；为了将JSON转换为智能体内的变量，同时做基本的逻辑检查（比如“早上”的大致时间有无和日程规划时间相冲突），再引入微代码块进行JSON检查与变量转换；最后利用平台提供的选项输出模块（GUI设置），将日程决策选项输出到用户对话界面。

范式二：宏观循环与微观公式代码多维嵌入

在“批量导入大学课表”场景中，LLM 不适合承担大量重复计算。 因此将“课程周际平移”与“每周课程逐条写入”拆成双重循环，形成 M × N（周内课程数 × 学期周数）的批量创建流程。 同时把“上课时间 + 周偏移 × 7 天”等运算放到公式/代码模块执行， 避免把确定性计算交给大模型，从而提高性能与稳定性。

宏观与微观协同示意（伪代码）

for course in weekly_courses:
  first_time = calc_first_week_time(course)
  for week in semester_weeks:
    class_time = first_time + week * 7days
    create_schedule(course.name, class_time, course.duration)

路演：树莓派边缘智能体

为了更直观展示智能体在真实设备中的落地能力，我完成了树莓派 + 云服务的路演系统搭建。 在边缘端通过语音输入触发日程指令，在云端完成解析与日程更新，再回传结果到设备侧界面， 从而验证“智能体能力可迁移到边缘场景”的工程可行性。

路演使用 https://ai.cxrice.tech/ 作为云服务入口：该站点通过 DeepseekChat_API 进行调用，并沿用本项目“AI 决策 + 代码规范变量 + 模块执行”的智能体开发思想实现 Web 端流程，同时向树莓派侧提供云服务能力。

LangChain/RAG 实践

除了依托大平台的 UI 智能体，我还在 Python 技术栈上完成了 LangChain 长文本检索问答智能体的构建。 对于阅读或利用部分长文本（如技术手册、哲学文献等）的任务中，主要是利用RAG（检索增强生成）流程构建LangChain RunnableSequence链式处理机制，包含模板（用户问题与资料预处理）→模型（请求DeepseekAPI处理）→输出解析器（输出md文本字符串）三大步骤；以长篇哲学文本《圣经》阅读Demo为例，智能体启动时加载并分割圣经文本（预处理为共1301个文本块，一块1200字，上下重叠120字），再处理用户问题（如“基督教新约哲学的’因信称义’是什么”，分词为双字符组合，如“因信”“称义”），再对预处理后的文本块进行遍历，按文本块的匹配程度进行排名，以此旧约等无关内容可以过滤很大一部分；在利用LangChain的Prompt约束，比如要求必须优先依据提供的圣经片段，不得编造经文，并插入上述检索到的最相关圣经段落、用户问题、对话上下文等；最后调用Deepseek-API密钥，将生成的回答返回用户。根据上述社科应用的工程样例可知，以LangChain为核心的智能体开发对工作效率提升的有很大帮助。

LangChain《圣经》阅读智能体体验链接

PDF报告

若浏览器无法直接预览 PDF，可使用“新窗口打开”按钮。

Carbon AIoT 园区固废低碳智慧治理系统

在浙江省人工智能竞赛中积累的多平台智能体开发经验（钉钉 RAG 日程规划助手、LangChain 长文本阅读智能体）、 EdgeAI 部署经验（树莓派 + MobileNetV2）以及 IoT 通信经验，为我继续深入参与全国大学生节能减排社会实践与科技竞赛奠定了技术基础。 团队基于上述能力，设计并制作了 Carbon AIoT 园区生活固废智慧治理系统——一套面向园区场景的"低碳分类、碳排计量、低碳运维"完整闭环。 本项目目前处于评审阶段。

系统针对固废治理中"细分类难、核算难、运行碳排放高"三大痛点，以AI与5G云技术构建了 边缘智能终端"绿盒"和碳污孪生智算平台"绿云"。 终端负责自动完成垃圾细粒度数据采集与分类投放，云端负责精准碳污核算与AI-RAG智能运维。

边缘智能终端"绿盒"

"绿盒"实物样机尺寸 400×400×600 mm，净重 7.45 kg，有效容积 2 L。 设计核心思路是：使用者投垃圾这个动作本身就能触发一整条识别链路——垃圾从顶部进料口落下，在漏斗处停顿的瞬间， 节能待机算法捕捉动作把系统从低功耗唤醒，边缘AI视觉模型启动，多光谱传感器做材质判断，称重模块同步采集重量。 一条投放记录就此完整：类型、材质、重量，几项元数据全部入库。

EdgeAI 视觉识别与多模态传感

终端采用 MobileNetV2 经迁移训练后的 TFLite INT8 量化模型，在树莓派 4B 上实现约 280 ms 的单帧推理延迟， 细粒度分类准确率达到 96.8%。模型体积仅为 YOLOv5s 的 1/8，非常适合边缘部署。 除视觉外，终端还配备微光谱传感器（400–1000 nm）与 HX711 称重模块，形成"视觉 + 光谱 + 重量"的三维感知融合。

增量统计学待机节能管理算法

作为园区内放置的终端设备，"绿盒"大部分时间处于待机状态。传统方案使用定值差分或人体存在传感器进行状态切换，功耗较高。 团队提出的基于增量统计学的待机节能管理算法，本质上是让设备学习用户在不同时段的行为规律： 人流高峰时段维持较高检测帧率确保响应速度；深夜或冷清时段主动降频节省功耗。

核心公式：

实测对比：定值差分方案待机功率 4.411 W，人感传感器方案 3.632 W，节能算法方案 3.876 W。 综合考虑单台年总能耗（含投产能耗），节能算法方案将单台年耗电控制在 37.6 kWh 左右。

5G云IoT：通电即用，低运维

传统Wi-Fi方案在不同园区部署时需要针对当地认证规则进行适配，一旦园区网络关停、升级或规则变动，运维人员只能跑现场重新配置。 团队改用5G云IoT模块，模块内置联网、认证、组网和后台管理的整套自动流程， 通电即用，无需人工逐个配置。同时5G IoT的低流量特性使通信层面能耗本身比Wi-Fi更低。

太阳能自供电探索

节能算法与5G低功耗设计结合后，单台终端年功耗仅 37.6 kWh。团队意识到单靠太阳能自供电完全可能支撑设备全年运行。 为此在杭州（北纬30度附近）开展了为期三天的太阳能自供电现场实验。 实验使用 100 W 单晶硅面板 + 12 V/10000 mAh 电池，初始电量 50%，每日 100 次投放模拟真实工况。 经过三日完整运行周期，电池电量从 50% 上升至 83%，自供电试验取得良好结果。

进一步调取国家地表短波辐射数据，结合样机实测功耗绘制了全国适宜性评估图。 在太阳能资源最好的区域，仅需约 0.19–0.25 m² 单晶硅面板即可覆盖全年用电； 即便光照偏弱地区，所需面积也控制在 0.30 m² 以内——相当于 4–5 张 A4 纸大小，工程上完全可行。

碳污孪生智算平台"绿云"

"绿云"平台由团队自主设计，主要承载云端数据运营巡检与可视化、精准碳污核算可视化等功能， 并为 AI-RAG 治理智能体提供人机交互界面。前端基于 Vue 3 + ECharts，支持 3D 数字孪生校园可视化。

可溯源的碳污减排核算模型

平台内置可溯源的碳减排与污染减排核算模型，已对接国家权威因子数据库（IPCC、CPCD），确保每一个数据都有据可查。 核心公式：

其中 $w$ 为投放垃圾重量（称重模块实测），$n$ 为件数（视觉识别计数），$\alpha_i, \beta_i, \gamma_i$ 为对接国家数据库的动态排放/削减因子。

AI-RAG 治理智能体

平台内置的 AI-RAG 治理智能体（基于 LangChain + DeepSeek API）负责异常检测与自动告警， 将运维人员的信息查询效率从原本翻阅文档的约 18 分钟/次，提升到约 15 秒/次，效率提升约 98.6%。

该智能体的设计直接延续了我之前在浙江省人工智能竞赛中积累的 RAG 工程经验——从文本分块、双字检索排序到 DeepSeek API 调用与提示词约束， 整个链路在 Carbon AIoT 场景中进行了面向运维场景的适配与增强。

VLM 自进化视觉模型

在边缘视觉模型之外，团队还探索了 VLM（视觉语言模型）自进化机制： 当边缘 MobileNetV2 对某类垃圾置信度不足时，系统可将图像上传至云端 VLM 进行辅助判别， 并将判别结果作为伪标签回注到训练集，实现模型的持续自我进化。

量化成效与竞赛进展

以下汇总 Carbon AIoT 系统的核心量化指标。其中 AI-RAG 智能体设计已在浙江省人工智能竞赛中获得省级二等奖 （证书编号 ZJJS2025RGZNYZOQ）；全国大学生节能减排社会实践与科技竞赛目前正在评审中。