2026水利行业智能体白皮书：现状、洞察与未来方向

现状、洞察与未来方向水利行业智能体白皮书执行摘要21范围、术语与资料概况31.1水利智能体：术语约定与纳入范围 1.2资料概况与审查方法 1.3证据的适用范围与局限 42LLM与水利智能体的应用现状52.1流域水文与水文模型 2.2洪涝灾害监测、预报与应急 2.3水资源配置、水库与水电调度 2.4城市供排水与水务运营 2.5水质、污水处理与水生态 2.6地下水与地下过程 3水利智能体在水利业务工作中的功能角色113.1功能角色框架与发展概况 3.2信息与认知辅助 3.3预定义工作流执行 3.4动态判断、路径选择与方案综合 3.5授权系统操作 4关键洞察145水利智能体的未来方向与行动路径175.1重点发展方向 5.2优先行动方向 5.3水利智能体应用的实施条件与分阶段验证 A检索方法与编号说明20A.1检索与筛选方法 20A.2数据库与来源覆盖 20B证据条目索引22C分类判定规则29C.1功能角色判定规则 29C.2证据可信度判定规则 29C.3洞察置信度判定规则 参考文献31HydroAgent-LabiHydroAgent-Lab1术语本白皮书中的含义大语言模型（LLM）以语言为主要输入输出并能进行生成、推理或工具调用的基础模型。视觉语言模型同时处理图像与语言的模型；其视觉信息范围由传感器波段与编码方（VLM/LMM）式限制。水利智能体以LLM/VLM为认知与协同核心，连接水利数据、专业模型、规则和业务系统，在受控权限内承担任务理解、流程组织、工具协同、结果校核、决策支持或系统操作的系统形态。智能体基础问答、检索、分类、预测、代码、数据或工具能力，可以成为水利智能体的组件，但本身不构成核心水利智能体工作流。技能（Skills）封装特定任务所需的指令、知识、工具调用方式和执行步骤，使智能体能够按照预设流程完成一类可复用任务的能力模块。工具接地把语言输出约束到有明确输入输出的数据库、专业模型、计算程序或业务接口。领域Harness连接基础模型与水利数据、工具、Skills、规则、物理校核、权限和监控机制的工程系统。前置情境判断在模型计算或方案选择前，对事件是否发生、类型、强弱、空间位置、时段和流程触发条件作出的判断。实时并行验证水利智能体与现行流程同步执行并记录结果，但不影响业务或物理系统状态。业务系统承载运行数据、工单、调度、控制或处理流程的正式系统；与研究模型或离线副本区分。授权系统操作水利智能体在明确权限和审批条件下直接写入业务/生产系统、改变运行状态并检查反馈。物理校核用质量守恒、水力、水文、过程或工程约束检查模型和水利智能体输证据可信度公开材料支持结论被检查的程度，与同行评审、部署状态和功能复杂度相互独立。洞察置信度多条证据对某项跨案例结论的综合支持强度，与单条资料的证据可信度不同。持续运行验证真实环境中有时长、负荷、失败、干预、事件和业务结果的运行证据。水利行业智能体白皮书HydroAgent-Lab2水利业务往往涉及多源异构数据、专业模型、业务规则和跨部门协同，并需要在不断变化的水情、工情和管理要求下及时形成判断与行动。面对复杂水情快速响应、多源信息综合研判和跨业务流程协同等需求，如何连接分散的信息、工具与专业知识，并在可控条件下提高业务协同和决策支持效率，正在成为水利数字化转型中的重要问题。大语言模型（LLM）及由其驱动的智能体正在从问答与内容生成延伸至数据检索、模型调用和工作流组织，并迅速影响水利行业业务的实现方式。HydroAgent-Lab是一个跨国协作的水利AI产品与研究团队，融合水文专业知识、业务运行与预报实践、AI智能体技术和软件工程能力，致力于在保留人工决策权的前提下，将LLM驱动的水利智能体可信地融入实际业务流程。本白皮书面向水利行业技术决策者，基于持续更新的学术研究、行业案例和政策资料，梳理不同水利子领域中的LLM与智能体应用，按功能角色分析其应用方式，描述智能体在工作流中承担什么职责，并结合证据强度与运行状态评估其能力边界和应用条件，描述公开资料能够在多大程度上证明相关结果。三项核心结论1.当前水平：当前较有公开证据支持的水利智能体应用主要集中在水文数据处理、专业模型调用、工作流编排、结果校核和决策支持。本文以可核查的公开证据条目作为统计与归纳单位，而非以独立Agent或独立部署系统计数。现有公开资料能够说明部分任务层面的能力与成效，但尚不足以同时、持续地记录系统运行过程、人工干预及业务结果，因而对长期业务运行效果的验证仍然有限。2.发展规律：当前较可靠的路线是由专业模型和确定性程序承担数值计算、物理约束和硬规则，由Agent处理任务理解、工具协同、路径选择和结果解释。功能角色越自主并不代表越成熟；是否保留Agent节点，应由其相对人工流程、传统算法或确定性程序产生的可复核增量决定。源头数据或前置情境判断出现偏差且未被独立检查点拦截时，误差会继续传递到下游结果。3.行业行动：水利机构应先建立人工流程、传统算法或确定性程序基线，再选择需要语义理解、动态选择或异常处置的Agent节点。优先建设稳定工具接口、专业Skills、业务规则、物理校核、任务基准和权限约束；只有在这些条件仍不能解决模型本身的领域理解问题时，再评估领域后训练或独立平台。白皮书的价值：在大语言模型（LLM）和智能体技术的推动下，水利行业正面临一类新的技术选择。大语言模型正在从问答和信息处理工具进入水文建模、业务预报与运行管理流程，但公开材料中的研究验证、产品演示和实际业务应用经常被混为一谈。当前水利行业仍缺少共同的评价尺度，这容易使技术决策者高估系统成熟度、低估业务流程改造与责任落实的要求，也难以判断应从哪些问题和场景开始应用。本白皮书通过系统整理相关资料并采用统一的分析框架，帮助读者看清应用现状、比较证据质量，识别真正具备业务应用潜力的方向。其最终目的，是帮助水利从业人员在运用水利智能体解决具体问题时，选择合适的起步场景，准备必要的数据和专业工具，建立可检验的评价方法，帮助读者区分应继续由确定性工具承担的任务、适合增加Agent节点的环节，以及需要完整领域Harness的业务场景，从而推动水利智能体由概念展示走向可验证、可治理并能产生实际业务价值的应用。水利行业智能体白皮书HydroAgent-Lab31范围、术语与资料概况1.1水利智能体：术语约定与纳入范围目前学术界和水利行业尚未形成统一的“水利智能体”定义。本白皮书为了保证资料筛选、案例比较和能力判断的一致性，对相关术语及纳入范围进行限定。本白皮书将核心水利智能体限定为：大语言模型（LargeLanguageModel,LLM）或视觉语言模型（Vision-LanguageModel,VLM）实质参与水利工作流，并承担任务分解、步骤编排、工具或模型调用、状态维护、验证诊断、方案比较、决策支持或系统操作中的至少一项。一个智能体系统如果没有改变信息或工具在水利任务中的使用方式，则不属于本白皮书所指的核心水利智能体。简单问答、文本抽取、分类、时序预测和检索增强生成（Retrieval-AugmentedGeneration,RAG）等应用提供信息识别、领域知识和预测等基础能力，因此仍纳入本白皮书的讨论范围，但统一标统机器学习、深度学习、不含语言模型的智能体、多智能体强化学习和经典主体模拟（Agent-BasedModeling,ABM）原则上不在讨论范围内；只有当它们是某个LLM工作流的明确组件、比较基线或用于说明方法局限的证据时，才予以纳入。表1.1:本白皮书对不同材料的用途划分类别判定标准在白皮书中的用途核心水利智能体智能体基础反例与相邻技术行业与政策信号领域背景LLM/VLM实质组织或执行水利工作流，并改变信息、工具或流程的使用方式问答、检索、分类、预测、代码、工具或基准能够支撑后续水利智能体直接暴露错误、失败，或与水利智能体相关但不构成智能体产品、试点、运行报道、采购、指南或资助计划官方水文、水务或健康指南比较功能角色、验证结果、部署条件与局限说明能力来源和现有基础能力的限制校准结论，防止用名称替代能力识别需求和组织方向，不作为独立技术验证说明水利问题和职责，不计入水利智能体证据1.2资料概况与审查方法本白皮书采用的材料基础截止于2026年7月22日，主体证据包括70项研究、22项行业资料和3项政策或项目资料；另有6项官方领域背景资料用于定义水利子领域的关键问题。为保证资料更新的连续性与可追溯性，本项目开发并持续运行自动化资料搜集工具，定期检索学术数据库、预印本平台以及行业和政策信息渠道。自动检索获得的候选资料首先进行合并去重，并核对书目重复、版本关系及来源信息，随后经过范围审核与人工复核，符合纳入标准的资料方可进入本白皮书证据库。对于同一成果在不同数据库中的重复记录，以及预印本与正式发表版本，经版本关系核对后合并为同一证据条目，不因来源平台或版本差异重复计数；同一课题、项目或系统形成的不同研究成果则分别保留，因为其可能对应不同任务、实验设计和研究结论。必要时通过关联字段记录不同成果之间共同的系统、项目或研究谱系，但不将多项独立成果简单合并为一个Agent。因此，上述材料数量均指evidenceitems，不表示独立系统数量。检索关键词、检索式及信息来源清单见附录。自动检索覆盖arXiv、Crossref、OpenAlex、Earth-下水、供排水、水质等词组与LLM、VLM、GPT、RAG、Agent和模型上下文协议（ModelContextProtocol,MCP）等词组组合；Crossref还独立运行NaturePortfolioDOI前缀检索和posted-content预水利行业智能体白皮书HydroAgent-Lab4印本检索。每项候选必须同时满足实质水问题和语言模型证据，随后按DOI、arXiv、URL与标题身份去重并人工审查。精确检索式、关键词和数据库清单见附录A。流域水文与水文模型洪涝监测、预报与应急水资源、水库与水电调度排水、管网与水务运营水质、污水与水生态地下水与地下过程按主要服务领域归类的来源数核心水利智能体基础能力/项目mm行业与政策mm反例mm相邻技术图1.1:监测资料在六个水利子领域中的分布与证据角色。每项来源只计入一个主要服务领域；数量不表示成熟度或市场份额。图1.1显示，城市排水、供水管网与水务运营的资料最多，但较大一部分来源于行业与政策。流域水文、水资源和洪涝领域拥有较多核心水利智能体案例或基础工具。地下水仅有两项直接研究，水质与污水领域则以基础能力、局限性测试和概念方案为主。1.3证据的适用范围与局限本证据集能够比较公开案例中的任务、工具、工作流、验证方式和授权范围，并识别各水利子领域的相对证据厚度，材料的时间分布受数据库收录延迟、RSS只提供近期内容、商业数据库接口和开放全文可得性影响。附录中的证据条目索引保留弱证据和相关项目，以维持可追溯性。水利行业智能体白皮书HydroAgent-Lab5本章按照流域水文、洪涝分析、水库调度、城市管网、污水处理和地下水反演六个子领域展开，分别说明各子领域需要解决的问题、LLM与水利智能体已经开展的工作及其完成程度，并据此给出阶段性判断与可执行建议。LLM/流域水文与水文模型数据准备、模型结构与参数率定;等效性与跨流域迁移检索并准备数据;调用模型;诊断误差并组织率定已有可复核案例;仍缺跨模型、跨流域与业务预报验证洪涝监测、预报与应急短历时极端、降雨位置偏差、漏报代价与预警时效融合观测和案例;编排降雨径流模型;生成预警材料回溯工作流较强;驱动数据偏差需逐层校核,预警仍由人签发水资源、水库与水电调度多目标冲突、来水不确定性、规则曲线与上下游约束查询实时/历史数据;调用专业模型;比较方案并解释约束单流域验证为主;端到端成功率和权限证据不足排水、管网与水务运营拓扑复杂、压力与水质约束、资产老化、SCADA安全调用EPANET/优化器;诊断管网;生成代码、图件和方案离线基准证据最集中;尚不能等同于泵阀控制或持续运行水质、污水与水生态多过程耦合、传感器漂移、达标责任与生态误报文献与知识增强;特征筛选;基础能力多、智能体案例少;监测分析和处理方案建议多光谱与过程模型仍不可替代地下水与地下过程不可见性、地质非唯一性、稀疏观测与反演不确定性编排地球物理工具;自动构建、运行和修复反演模型仅两项直接研究;尚无多场地或管理运行证据判断单位是水利工作流,不是模型名称。右列表示现有公开证据的上限。SCADA指监控与数据采集系统(SupervisoryControlandDataAcquisition);EPANET指环境保护署管网模型(EnvironmentalProtectionAgencyNetwork),即美国EPA开发的供水管网水力与水质模拟软件。图2.1:六个水利子领域的问题链、水利智能体发挥作用的环节与当前证据的局限。2.1流域水文与水文模型典型业务场景在流域预报和水资源分析中，业务人员需要快速完成数据准备、配置模型、检查参数并运行模拟，以判断未来流量与洪峰过程。例如，在一次强降雨过程到来前，预报人员不仅需要判断未来流量和洪峰过程，还需要确认降雨驱动是否可靠、模型当前状态是否合理，以及不同模型或参数方案为何产生差异。对于资料较少或首次开展建模的流域，业务人员还需要在有限观测条件下决定采用何种模型结构、参数范围和相似流域经验，并判断结果是否足以支撑后续预报或水资源分析。核心问题与技术难点流域水文模型需要回答降水、融雪和蒸散等驱动如何转化为径流，洪峰何时出现、流量多大，以及气候、下垫面和工程调控如何改变流域水量过程等关键问题。工作流通常从气象与地形数据获取开始，经过流域划分、驱动数据配准、模型结构选择、参数率定、状态初始化、模拟、误差诊断和结果解释，最终形成可供预报、水资源评价和情景分析使用的流量过程及水量信息。观测误差、尺度不一致、参数等效性和模型结构误差会在这些步骤之间传播[R71]。不同参数组合可能在率定期得到相近的效率系数，却代表不同的产流或汇流机制；跨流域建模时，气候、土壤、地形和资料条件还会影响模型参数能否被现有观测有效约束[R71]。WMO的《水文实践指南》将观测网络、数据处理、模型与水资源应用视为连续水利行业智能体白皮书HydroAgent-Lab6实践，而非孤立算法[B01]。因此，水利智能体在本领域首先需要解决的是如何可靠地组织模型工作。数据来源、地理范围、建模时间尺度、预热期、参数范围和评价指标均应显式记录并接受检查；模型输出还须通过水量平衡、水文过程合理性和独立观测数据的校核。LLM与水利智能体的应用及进展在水文建模工作流方面，HydroCraft将流域提取、驱动数据准备、多种水文模型、参数优化和在线交互放入同一平台。LLM可以解释步骤并触发部分操作，仍需人工进行模型率定和专业判断以保证结果可靠。[R02,pp.8–15]。AQUAH更进一步，它从自然语言中的地点和时间要求出发，自动检索地形、气象驱动和测站数据，配置并运行模型，再形成图件与报告[R63,pp.1–6]。模型率定是目前研究证据较集中的任务之一。Zhu等开展的闭环率定研究让五种LLM根据VIC模型反馈调整参数，并与SCE-UA、NSGA-III比较。DeepSeek-R1在200次迭代内实现了较稳定的近优收敛，其余模型的表现则低于两个传统基准，说明“使用LLM”本身并不构成稳定的率定方法[R09,pp.3–8]。MADR则把分布式流域按上下游关系组织为Leader–Worker诊断过程，在淮河某一嵌套流域的5个站点测试中，该方法仅需在每个子流域进行170次模型计算，在耗费不到传统优化基准（4,000次计算）5%算力预算的情况下，达到与之相当的率定精度。消融和重复试验支持该机制，但研究只覆盖一个流域、一个模型组合和两种LLM，其跨气候区迁移能力尚未得到验证[R22,pp.20–26]。两项研究共同表明，率定流程是否固定并不能单独决定Agent是否有价值。通用LLM直接提出参数时可能低于传统优化基线；具有上下游诊断、角色分工和专业反馈的特定Harness则可能减少模型调用。该效率增量目前只在特定流域、模型和预算下成立，仍须以传统优化器为独立基线。负面证据同样重要。对概念水文模型结构的研究发现，LLM建议受提示影响，配置不一致，且经常不如专业基线[R06]。这类结果说明，信息与认知辅助可以帮助列举候选结构，但在缺少流域证据和过程诊断时，不能把模型选择权交给语言模阶段性判断流域建模是当前水利智能体较早形成可复核结果函数和历史事件通常可以追溯，工具调用过程也便于检查。现有实证表明，水利智能体可以承担分析和率定候选方案生成，但其能力目前仍主要停留在工作流执行和辅助分析层面。对预定义率定或建模流程，应分别识别确定性核心和Agent节点，并报告Agent对精度、计算预算、失败率和人工纠正量的增量。模型结构选择、跨流域参数迁移和业务预报发布等涉及专业判断与结果责任的任务，仍需要人工参与。因此，对水利智能体的评价重点应从“能否完成任务并产出结果”转向“结果是否具有足够的水文可信度和运行可靠性”，重点考察水量平衡、水文过程特征匹配、长时序运行稳定性和跨流域泛化性。2.2洪涝灾害监测、预报与应急典型业务场景在强降雨和洪水过程中，防汛预报与应急人员往往需要快速整合雨情、水情、气象预报与淹没分析，判断高风险区、到达时间和是否启动响应。实际会商中，工作人员还需要不断更新风险判断、比较不同预报情景、核实异常信息，并快速形成会商材料、预警依据和应急处置建议。此类任务的难点不仅在于信息量大和时间紧，还在于任何一个前端数据或模型环节的偏差都可能影响后续风险研判。核心问题与技术难点洪涝灾害监测、预报与应急需要把观测、气象预报、产汇流模拟、淹没分析、阈值判断、预警发布和应急协同连接起来。气象预报对短历时暴雨位置和强度的刻画仍存在空间偏差，这类偏差在中小流域中可能迅速放大[R72]；城市积水观测又面临空间异质性强、视角与遮挡影响大、可靠标注稀缺等困难[R74]。业务评价不仅要关注洪峰大小和峰现时间，还要评价漏报、误报、预见期以及信息送达后的应急效果[R72]。WMO的水文预报验证指南因此同时要求评价准确性、偏差、可靠性、分辨率和锐度，并按使用者说明结果[B02]。LLM与水利智能体的应用及进展洪涝信息感知方面，VLM已被用于从街景图片估计城市洪水深度，GPT-4在部分条件下优于代表性深度学习监督模型，但性能会随图像信息量和提示词复杂度而变化[R44,pp.2–9]。遥感方面，Yang将业务化SAR洪水制图概括为涵盖卫星数据获取、预处理、参考水面、地形与连通性修正、验证、算力和长期维护的完整系统问题。该文记录了在人工监督下AI智能体辅助完成水利行业智能体白皮书HydroAgent-Lab7的SIENA（ScientificInundationEvolutionNetworkAgentforSAR，面向SAR的科学淹没演化网络智能体）恢复与重构过程；最终进入例行生产的是经过审查的代码、脚本和工作流，而非实时运行的智能体。重构后的系统已在美国本土和阿拉斯加每日多次生成公开产品[R15,pp.2–13]。该案例表明，智能体当前更适合帮助研发人员梳理和重构洪水制图流程。该结果说明固定的信息处理流程也可能包含具有泛化价值的Agent节点，但是否采用VLM仍应与任务专用深度学习模型按同一数据、指标和成本比较。模型工作流方面，Yan等构建的案例能够从自然语言请求推断时空范围，获取降雨和地形数据，运行降雨–径流模型并生成报告。在同一KerrCounty案例的20次运行中，18次首次完成全流程；这里的90%是工作流完成率，并非洪水预报准确率。由MRMS定量降水估计驱动的模拟与观测流量较为一致；改用HRRR定量降水预报后，预报中的暴雨核心偏离实况约30km，导致模型未能模拟出此次洪水响应。作者据此强调，该案例验证的是自动组织水文建模流程的可行性，预报结果的普遍可靠性仍缺少概率气象驱动、多流域、多事件和专家复核证据[R17,pp.7–10]。另一项名为HydroAgent的研究将预报员的前置情境判断、历史案例、模型方案选择和人工复核写成可执行技能。研究使用129场历史洪水开展Skill引导的方案选择使KGE在原有高质量方案库基础上提高0.023–0.154。五种LLM均能执行该流程，但个别弱信号事件的前置情境误判会限制后续方案选择并降低洪水过程线的质量。这说明显式规则能够提高错误过程的可检查性；缺少独立观测、外部校验或人工复核时，Agent不能自行处理上游情境误判[R57,pp.21–25]。行业资料方面，黄河和珠江流域已经使用防汛助手连接信息查询、材料生成或响应环节[C13,C15]。这些资料说明业务需求真实存在，但未详细报告持续运行时间、漏报、人工干预和事件结果，尚不足以证明自动预警或调度已经在实际业务中稳定运行。阶段性判断洪涝领域目前最可靠的用途是洪水预报准备、模型组织、材料生成和事后复盘。水利智能体能够减少数据搬运和脚本操作，并把预报员经验变成可审查步骤，但不能仅凭语言推理保证修正降雨预报误差、模型结构误差或罕见极端样本偏差。任何面向公众或防汛责任人的预警仍应设置人工审核，评价必须覆盖整个“观测—预报—模型—阈值—发布”链条。2.3水资源配置、水库与水电调度典型业务场景在水库日常运行、年度计划编制或洪旱应急调度中，调度人员需要综合来水预报、当前库水位、下游需求、调度规程以及发电、防洪、供水和生态等多重目标，形成可执行的运行方案。例如，在汛期来水快速增加时，需要判断是否提前预泄、预留多少防洪库容以及不同下泄方案对上下游的影响；在枯水期，则可能需要在供水、生态和发电之间进行权衡。业务人员需要在多重约束和不确定情景下比较可行方案、识别风险，并形成可供会商和授权决策使用的依据。核心问题与技术难点水资源配置、水库运行与水电调度需要在供水、防洪、发电、生态流量、航运和上下游利益之间进行权衡[R73]。来水预报、当前库水位、调度规程、机组条件和行政协议共同限定可行方案[R73]，同一方案在丰水、枯水和突发事件中的后果也可能不同。以美国垦务局年度水库运行计划规则和多方协商均属于同一决策过程[B03]。这类任务的难点在于保证每个方案满足不可违反的约束，准确记录所用数据的时间，并明确提出建议、审核方案和签发指令的职责。LLM与水利智能体的应用及进展已有研究使用时间序列LLM预测水库来水[R11]。这类模型可以为水资源配置提供预测组件，但不负责调度规则检查、方案比较和权限管理。更接近水利智能体的研究将知识、数据查询和专业工具连接起来：IWMS-LLM以可视化的工作流支持水资源配置任务[R35]；GraphRAG与多个专业智能体被用于水利工程巡检和运行决策中的检索任务[R39]；面向水–粮食–生态–环境–经济权衡的混合系统则将农田水文模型、机器学习、多准则决策和LLM组成两层决策流程，用于优化灌溉、施肥和种植结构，并生成对多目标权衡结果的解释[R10]。这些案例主要验证了水利智能体组织方案和支持分析的可行性，但这些预测不等同于自动化调度决策，必须做规则与权限校验，尚未达到可直接调控水库运行状态的程水电领域的智能体案例则强调了端到端的可靠性。有研究针对大渡河流域的三个任务类别构造水利行业智能体白皮书HydroAgent-Lab8了300项测试，加入运行数据查询和上下文信息后，数据获取成功率从52.9%提高到81.3%，端到端成功率从4.3%提高到46%[R61,pp.1,14–16]。这说明，准确识别并获取业务数据是完成水电运行任务的必要条件。然而，研究中仍有超过一半任务不能完整交付，这意味着系统尚不适合自动执行高风险的水电调度。LimpopoWaterCopilot将流域观测、卫星产品、历史记录和数字孪生工具接入对话界面，面向管理者生成有数据和模型依据的答案与地图[C06]。公开资料证明该系统已经完成概念验证、演示和管理者研讨，但尚未报告模型误差、方案采纳情况及其对流域管理结果的影响。阶段性判断现阶段，水资源配置和水利调度中的水利智能体主要承担数据查询、规则检索、模型调用和多方案比较，较适合用于计划编制和会商准备。优化器继续负责约束内求解，Agent主要组织输入、选择工具、解释多目标权衡并形成会商材料。由于资源调度涉及多个目标、不同部门的利益和高后果风险，系统应同时提供约束检查结果、关键数据的时间、来水与模型的不确定性以及目标冲突，不能只给出一个所谓的最优答案。在缺少持续运行、异常处置和授权记录的情况下，水库闸门、发电机组和跨区调水指令仍须由具备相应授权的业务责任人签发。2.4城市供排水与水务运营典型业务场景在城市供水系统的日常运行中，调度和运维人员需要持续关注管网压力、流量、水质、泵站工况和能耗，并及时识别爆管、漏损、设备异常或局部低压等问题[R76]；在排水系统中，则需要结合降雨、管网水位、泵站运行和积水信息判断系统是否接近超负荷状态。面对异常事件，工作人员往往需要在多个业务系统之间反复核对设施位置、实时数据、历史工单和模型结果，再决定是否调整泵阀、修改运行方式或安排现场处置。因而，能够准确识别具体设施、获取当前工况并调用专业模型，是智能体参与城市水务业务的基本前提。核心问题与技术难点城市水务需要在同一基础设施中持续识别运行状态、预测风险、优化运行并处置事件。供水侧既要维持压力、流量、水龄和消毒剂余量，又要控制能耗与爆管风险；排水侧则要处理降雨时空变化、地表–管网耦合、积水和溢流等问题[R75]。EPA对EPANET的说明显示，工程人员须使用专业模型分析管道、节点、泵、阀、蓄水池、水质、污染事件和系统韧性[B04]。水利智能体在本领域面临的关键问题，是将操作人员使用的设施名称和故障描述准确对应到GIS、SCADA、工单系统和水力模型中的唯一资产及其当前工况。若节点或泵阀识别错误，或监测数据与模型时刻不一致，会产生对象错误的诊断，即使数值看起来合理。LLM与水利智能体的应用及进展城市管网是当前专业工具与水利智能体结合证据较集中的领域。WDS-Modality将拓扑表示、信息检索、水力模拟、管网分区和多目标优化组织为多个模块。在五个基准网络的870个任务中，系统总体成功率为85.71%，分区和可视化任务均为97.50%，且未出现违背物理规律的任务；但信息检索成功率仅为60.80%。在密集环状网络和中文实体解析任务中，系统更容易把不存在的节点误改为名称相近的真实节点[R01,pp.9–12]。EPANET-Agentic研究由编排模块将任务交给执三个供水管网上完成了任务和工具调用。论文同时说明，系统依赖预定义输入文件并采用离线运行方式，接入实时SCADA/GIS数据和建立专门的安全控制仍属于后续工作[R33,pp.3–12]。另一项管网优化研究比较了纯知识推理、EPANET工具调用和代码执行三种方式：仅依靠语言公式不能稳定完成数值水力计算，模拟工具能够提供符合物理规律的反馈，代码智能体可以通过迭代获得接近最优的结果，但在环状网络中仍可能收敛到次优方案，而且单次任务可能消耗大量计算资源[R38,pp.2–11]。行业资料进一步说明了专业接口和操作权限的设计方向。KWR的EPANETMCP演示向水利智能体开放了13个管网工具，同时提出工具安全和人工监督要求[C03]。XylemVue的行业文章描述了LLM通过MCP访问运营数据和工具，并在关键操作前请求人工批准的架构[C22]。这些材料说明，经批准后由智能体发送操作命令在系统设计上存在可行性。但由于资料没有披露具名水司、运行时长、故障记录或控制效果，这里仅将其视为授权系统操作的功能主张。这些案例的领域增量主要来自稳定资产标识、专业工具接口、物理校核、审批和反馈机制，属于Harness与治理能力，不能归因于基础模型本身。水利行业智能体白皮书HydroAgent-Lab9阶段性判断当前水利智能体融合供排水管网任务，适合从只助开始部署。水利智能体应以稳定的资产ID、具有明确数据类型的工具输入、EPANET/SWMM数值结果和物理校核为依据，不能根据语言相似性猜测节点、阀门或模型边界条件。在接入SCADA之前，系统必须证明错误命令能够被阻断、审批程序强制执行，并为异常操作规定安全停止、人工接管和工况恢复方案，同时在真实工况中记录系统恢复所需时间。现有研究尚未满足这些要求。2.5水质、污水处理与水生态典型业务场景在饮用水安全、水环境监测和污水处理运行中，实验室人员、工艺工程师和运行人员需要根据在线监测、采样结果和过程参数判断水质异常是真实污染、工艺变化还是仪器误差。例如，当出水氨氮、总氮或溶解氧出现异常时，污水厂人员需要快速结合进水负荷、曝气、回流、污泥状态和历史运行情况判断原因，并决定是否调整运行参数；在水体藻华或污染事件中，则需要综合遥感、现场监测和水文气象条件判断异常范围和发展趋势。核心问题与技术难点水质管理与污水处理需要判断污染物如何迁移和转化、处理过程为何发生异常[R78]，以及何种操作能够在满足排放或饮用水标准的前提下恢复工况。相关判断同时受到微生物过程、水力停留时间、温度、进水负荷、传感器漂移和工艺操作的影响[R77,R78]。监测误报可能触发不必要的处置，漏报则可能延误污染控制。WHO的饮用水指南采用从水源到用户的风险管理和独立监督框架[B05]。联系过程变量、采样与仪器质量、控制措施和复核程序等任务是水利智能体需解决的重点。LLM与水利智能体的应用及进展现有证据首先来自基础能力。一项污水厂N2O预测研究表明，LLM-RAG能够从监测变量中识别具有工艺意义的模型输入，但预测表现仍低于专家选取变量的结果，且对具体污水厂运行条件的把握不足。这说明文献知识可以辅助建模变量初筛，不能替代厂级的工艺知识[R13,pp.3–10]。水华识别研究提供了更直接的反例：在受控基准上，多光谱SVM的F1为0.833、准确率为79.5%，而通用VLM更容易产生过量识别；将输入由RGB改为多光谱特征后，同一SVM的准确率提高了12个百分点。这说明通用视觉编码器缺少水华识别所需的关键光谱信息[R19,pp.1–3,9–17]。Water-MAS通过规划、执行和检查智能体组织14个数据工具，并完成了采样点布设和水质序列预测两类多步骤任务。在需要调用四种工具的测试中，多智能体协作使召回率相对单智能体提高89%，但验证仍限于受控的数据处理任务，不涉及处理设施运行[R26,pp.2–11]。npjCleanWater的观点文章提出，面向污水处理的领域WaterGPT应将专业知识、厂级数据和计算工具结合起来，以支持活性污泥过程诊断和调整建议；文中案例属于技术路线构想，尚未形成实际系统或验证结果[R64,pp.1,3–8]。行业侧已经出现自动生成处理工艺设计的早期原型[C02]，以及面向合规和水务人员的产品主张[C21]。但尚未提供覆盖进出水负荷变化、仪表异常、药剂或曝气调整、指标超限和人工接管的连续运行记录。阶段性判断这一领域近期能够形成价值的任务包括文献与规程检索、运行数据整理、特征筛选、异常解释和试验方案建议。多光谱仪器、在线传感器、质量平衡和成熟过程模型仍是判断水质与工艺状态的剂投加或出水路径的建议，都应先经过历史回放和实时并行验证，并由工艺责任人员批准。综上所述，现有公开证据不足以支持由水利智能体自动控制处理工艺。2.6地下水与地下过程典型业务场景在地下水资源评价、污染场地调查或地下水管理中，水文地质人员通常需要根据数量有限且空间分布不均的钻孔、水位、水化学和地球物理资料，推断地下含水层结构、补给条件、抽水影响或污染物迁移路径。例如，在评估新增抽水井影响时，业务人员不仅需要运行地下水模型，还需要判断边界条件、渗透系数和补给参数是否合理，以及不同地下结构假设是否会导致不同管理结论。地下过程观测稀缺，需要并行构建多套替代模型，并比较不同结构假设对管理结论的影响。水利行业智能体白皮书HydroAgent-Lab10核心问题与技术难点地下水系统难以直接观测，地层结构、模型边界、补给、抽水和溶质反应等不同组合可能对有限观测给出相近解释[R79]。稀疏的水位、地球物理和水化学资料还需要与模型空间尺度和预测目标相匹配。USGS的不确定性分析规程将观测、参数估计和预测不确定性联系起来，并强调只有在模型稳定、参数先验和观测权重设置合理时，数据价值分析才可靠[B06]。水利智能体即使能够自动生成反演代码，也不能消除地下结构解释的非唯一性[R79]。LLM与水利智能体的应用及进展GAGAW将自然语言任务转换为地球物理工具配置，并组织电阻率资料、气象资料和辅助分析，使不具备编程能力的用户也能运行可重复的工作流。原文同时记录了无效JSON、工具覆盖有限、温度漂移以及气候变量与电阻率相关关系难以解释等问题，并明确将智能体系统定位为地球物理专家的辅助工具[R08,pp.3–10]。另一项地下水反演研究采用“代码即策略”的方法，由多个智能体生成、运行并根据模拟反馈修复反应运移和反演代码，同时保留可供专业人员复核的脚本与结果。在一个水文地球化学案例中，系统能够得到较稳定且符合物理约束的解，但不同参数组合和浓度剖面仍可能产生相近结果；研究未展示多场地验证、长期数据同化或实际管理决策应用[R30,pp.3–14]。阶段性判断现有两项直接研究表明，水利智能体可以将自然语言任务转化为地球物理工具配置，也可以生成、运行和修复地下水反演代码，但这些能力尚未解决地下水解释的非唯一性[R79]。地下水管理需要比较不同地层结构、模型边界条件和参数先验形成的替代模型，并判断它们对抽水影响或污染迁移预测的差异。因此，水利智能体近期更适合组织多套反演方案、保存模型假设和模拟过程，并分析新增观测能否降低管理目标的不确定性。水利行业智能体白皮书HydroAgent-Lab113水利智能体在水利业务工作中的功能角色本章转向水利业务工作本身，分析水利智能体实际承担的功能及其证据基础，为技术选型、项目验证和权限设置提供统一的比较依据。3.1功能角色框架与发展概况本节分别从功能角色和证据可信度两个相互独立的维度评价水利智能体案例。功能角色根据智能体在水利工作流中实际承担的任务判定。证据可信度则根据任务、方法和结果的可核查程度判定，不因论文已经发表、产品宣称上线或系统完成部署而自动提高。两个维度结合使用，可回答“功能上能够做什么”与“现有证据在多大程度上证明它能够做到”两个关键问题。功能角色描述系统在工作流中承担的职责和操作后果，证据可信度评价公开资料的可核查程度，不构成由低到高的成熟度等级也不直接评价系统性能。项目成熟度需要结合任务适配、结果可靠性、运行证据和治理条件判断。表3.1:水利智能体的四类功能角色功能角色判定标准典型工作信息与认知辅助LLM形成信息、预测、解释或建议，后续业务步骤仍由人执行规程问答、资料检索、文本分类、洪深识别、来水预测、异常解释预定义工作流执行步骤、工具和顺序基本固定，水利智能体补充参数、调用工具并整理结果数据准备、固定率定循环、既定预报流程、标准水力分析动态工作流编排与方案综合水利智能体根据任务和中间结果选择、组合或调整多个步骤，并比较模型或方案跨模型诊断、多工具管网分析、模型–代码–校核循环、多目标方案综合授权系统操作水利智能体在预先批准的权限内直接写入业务或生产系统，改变运行状态并检查反馈发出泵阀、闸门、调度、工艺或工单状态指令表3.2:四级证据可信度及其能够支持的决策证据等级最低要求可支持的决策功能主张给出概念、架构、产品或演示，但缺少清楚的任务结果进入需求与架构观察清单单场景验证说明任务、数据、方法和结果，但只覆盖选定或受控案例开展本地复现或小规模试验可复核验证提供足以检查的指标、基线、重复试验、失败分析，或公开数据/代码进入历史回放和受限业务试点持续运行验证真实运行具有时长、负荷、失败、人工干预、事件和业务结果记录根据后果与治理条件逐步扩大权限水利行业智能体白皮书HydroAgent-Lab12功能主张单场景验证可复核验证持续运行验证功能主张单场景验证可复核验证持续运行验证授权系统操作信息与认知辅助预定义工作流执行动态工作流编排与方案综合授权系统操作功能角色与自主程度(非成熟度等级)图3.1:84条公开证据记录在“功能角色×证据可核查度”矩阵中的分布。计数单位为evidenceitem，不等同于独立Agent、独立系统或部署项目数量。图3.1以公开证据条目为分析单元。书目重复记录和同一成果的不同版本经过合并核对；同一课题、项目或系统形成的不同研究成果仍分别保留。因此，图中84条记录反映公开证据在各类功能角色中的分布。从数量看，预定义工作流执行对应42条公开证据记录，其中29项仍停留在功能主张；动态工作流编排与方案综合共有20项，其中5项达到可复核验证。授权系统操作只有2项，而且均缺少可核查的运行结果；整个证据集中也没有达到持续运行验证的案例。证据可信度并没有随着工作流复杂度简单下降：部分动态编排案例已经提供了比大量固定工作流更充分的验证。真正明显的断层出现在智能体开始写入业务系统、改变运行状态之后。当前限制水利智能体进入生产系统的主要因素，已经不只是能否完成多步骤任务，而是能否在真实数据、异常输入和持续负荷下记录失败、人工干预、系统恢复及最终业务结果。因此，功能角色的提高不能自动成为扩大操作权限的依据。只读查询、离线模型执行、业务系统写入和物理设备控制应分别设置授权与验收条件，并保留输入、工具、参数、人工修改、执行动作、反馈和恢复过程的记录。3.2信息与认知辅助信息与认知辅助用于处理水利专业人员在建模、预报或运行判断前需要整理和解释的信息。Hy-droLLM和WaterGPT分别从水文知识评测、领域训练和多模态任务说明专业语料与任务基准的作用[R69,R51]；污水研究利用文献知识辅助筛选N2O预测变量[R13]；洪水淹没深度和水华识别研究则表明，图像中的可见参照物、提示方式和传感器波段会直接限制识别结果[R44,R19]。20项材料中，10项为功能主张、9项为单场景验证，只有1项达到可复核验证。现有证据可以支持水文知识检索、监测变量初筛和图像观测解释，但不能据此确定模型参数、洪水预警阈值或污水工艺调整。评价这类系统时，应检查流域、测站、设施和水文事件是否识别正确，资料的时空适用性和来源是否清楚，以及输出是否减少了专业人员核对观测、规程和过程变量的工作量。当信息辅助在真实业务中长期稳定、可追溯并显著降低核对负担时，也可以形成成熟业务价值。3.3预定义工作流执行预定义工作流把专家已经明确的步骤交给水利智能体执行。这里固定的是总体步骤、工具范围和主要顺序，不代表每个节点都能由确定性程序完成；自然语言理解、图像信息提取、参数配置、异常识别和结果解释仍可能构成Agent的增量。典型案例包括水文数据准备、模型率定、固定洪水利行业智能体白皮书HydroAgent-Lab13水预报Skills和地球物理分析。率定研究让LLM在预设参数范围内读取模拟反馈并提出下一轮参数，专业模拟器和目标函数独立计算结果[R09,R22]；HydroAgent把预报员的事件判断、方案选择和复核节点写成Skills，使不同LLM按相同规则和工具范围执行[R57]；GAGAW则把自然语言意图转为地球物理工具配置，并保留专家复核[R08]。42条公开证据记录中，29项为功能主张、10项为单场景验证、3项达到可复核验证。现有证据支持水利智能体减少重复配置、保存运行状态并统一模型输出，但不能替代对模型适用性、驱动数据和水文过程的判断。结果验收应以批准的业务流程、传统算法和历史验收结果为基准，检查流域、测站和时段是否对应正确，参数是否处于允许范围，以及水量平衡、洪峰与峰现时间、管网压力和流量等专业结果。不同经验水平的人员可在同一任务说明下重复执行，用于单独评价智能体是否降低操作门槛和人工纠正量。评价时应设置非Agent基线，分别比较水利结果、计算成本、时延、失败率和人工纠正量。没有净增益的节点应退回确定性实现。3.4动态判断、路径选择与方案综动态判断指系统根据任务和中间结果改变后续数据源、工具、模型、参数策略、复核要求或退出路径。只有实际发生上述路径变化时，才归入本类；多个智能体按固定顺序执行不自动构成动态编排。WDS-Modality在拓扑检索、水力模拟、分区和多目标优化模块之间组织任务，物理模拟器能够拒绝不可行结果，但实体检索仍是明显弱点[R01]。Water-MAS让规划、执行和检查智能体组合数据处理与预测工具[R26]；EPANET-Agentic和管网优化研究进一步展示了任务分解、代码执行、专业模型调用和方案迭代[R33,R38]。地下水反演中的“代码即策略”也属于这一角色：智能体根据模拟反馈修改代码，专业人员可检查生成的程序和结果[R30]。20项材料中，4项为功能主张、11项为单场景验证、5项达到可复核验证。现有案例已经能够根据模拟反馈改变工具、代码或分析路径，但大多依赖离线文件、有限工具和受控任务。评价动态编排时，应检查流程改变是否具有水文或工程依据，多个模型之间的差异是否得到解释，质量守恒、管网运行条件和其他硬约束是否始终有效，以及系统在无法解决数据或模型冲突时能否停止并转交专业人员。该角色用于组织专业判断过程；模型差异和方案冲突仍须通过专业指标、硬约束或人工复核解决。3.5授权系统操作授权系统操作要求水利智能体自身通过受控接口写入业务或生产系统，直接改变系统运行状态并读取反馈。人员依据水利智能体建议手工录入SCADA、调度或工艺系统时，系统仍属于决策支持。XylemVue的行业资料描述了经MCP访问水务运营数据与分析工具、在关键操作前请求人工批准的架构[C22]；另一项行业材料描述了接近生产操作的受控接口[C18]。两项资料均未公开具名设施、连续运行时长、失败、回滚和业务结果，因此只将其归类为功能主张。这一角色的核心门槛是水利系统的控制权。机构应把数据读取、模型运行、工单写入和设备控制分开授权，使用确定性规则或独立联锁限制泵阀范围、闸门变化率、水质限值与调度规则。每个动作应有可识别的批准人、执行前状态、命令、反馈、异常处置和恢复记录；性能退化或条件变化时，权限能够自动收回。水利系统具有运行惯性、延迟响应和下游影响，错误闸门操作或工艺调整发生后不能简单撤销。现有公开证据仅支持从工单、告警状态等低后果业务写入开始验证，尚不支持水利智能体直接控制泵阀、闸门、水库调度或污水处理工艺。验证应依次经过离线历史回放、实时并行验证和有限业务写入，并预先规定安全停止、人工接管和工况恢复方案。水利行业智能体白皮书HydroAgent-Lab144关键洞察基于以上分领域和分角色分析，本章提炼五项能够影响技术选型、项目验收和权限设置的核心洞察。每项洞察选取能够构成主要论证链的代表性证据，所列来源并非全部相关材料；其作用是说明判断依据、证据之间的互补关系以及现有资料仍不能支持的结论。各项洞察同时说明对行业决策的意义以及适用范围与局限。本章的洞察置信度评价跨资料结论的支持强度，与单条资料的证据可信度不同。判定综合考虑代表性资料的可核查程度、独立证据数量、跨场景一致性以及反例和资料缺口。置信度只修饰证据归纳；“对行业决策的意义”属于基于现有证据提出的建议，仍需在具体机构和任务中验证。洞察一：专业模型承担计算与校核，洞察一：专业模型承担计算与校核，Agent承担任务理解、工具协同和路径组织，两者承担不代表性证据：[R01,R09,R17,R22,R26,R38]；6项研究，其中5项达到可复核验证，覆盖流域建模、洪水预报、供水管网和水质数据分析。为何这些来源关键：[R38]通过纯语言推理、EPANET调用和代码执行的直接比较，识别了专业工具对数值计算的贡献；[R09]说明通用LLM直接进行率定并不稳定；[R22]支持特定诊断与协同Harness在单一流域和模型组合中减少计算预算，说明专业模型提供稳定反馈后，LLM的差异仍会影响率定表现；[R01]和[R17]进一步表明，物理模型能够约束计算结果，却不能自动纠正资产身份或降雨驱动错误；[R26]将这一协作方式扩展到水质数据工具与预测模型。这些互补证据共同说明，LLM适合组织任务，数值计算和物理校核仍需由专业模型承担。对行业决策的意义：首期建设应先封装已有数据、专业模型和确定性程序，明确输入、版本、失败代码和物理校核，并建立人工流程、传统算法及历史验收结果基线；再识别确需语义理解、工具选择、结果解释或异常处置的节点接入LLM。Agent是否保留，不以流程是否固定为唯一依据，而应看其能否相对既有基线提升水利结果、执行效率，或降低人员差异与复核负担。适用范围与局限：证据主要来自离线水文、管网和水质数据任务，支持工作流自动化与决策辅助，不支持生产系统控制，也不能证明所有专业模型都适合自然语言调用。置信度：强洞察二：水利业务流程、专业工具和结果校验条洞察二：水利业务流程、专业工具和结果校验条件共同限定水利智能体的应用上限代表性证据：[R01,R09,R17,R19,R30]；5项研究，覆盖管网、流域率定、洪水预报、水生态识别和地下水反演，其中2项达到可复核验证。为何这些来源关键：[R01]和[R09]表明，标准化水力模型、模拟反馈和目标函数能够为智能体提供稳定且可比较的专业结果；[R17]和[R19]则说明，降雨位置偏差和关键光谱信息缺失会直接限制后续判断，语言推理不能补足专业观测；[R30]进一步表明，即使代码和模拟过程可以检查，地下结构仍可能存在多种合理解释。这些证据共同说明，智能体架构本身不能突破水利流程、专业工具和结果校验条件形成的限制。对行业决策的意义：基于上述证据的建议，选择试点时，应同时检查水利业务知识能否转化为明确步骤，专业数据、模型和计算工具能否提供稳定响应，以及最终结果能否通过观测数据、物理约束或专业复核得到独立校验。三个条件缺少任何一个，项目都应降低自动化范围。适用范围与局限：这是一项跨案例归纳，描述的是技术条件对成熟度上限的限制，不是对子领域价值的排序。组织能力、数据治理、人员能力和责任制度决定项目在这一上限之下实际能够水利行业智能体白皮书HydroAgent-Lab15达到什么程度。达到什么程度。置信度：中等偏强洞察三：建模框架中数据与框架的匹配需求并未因引入洞察三：建模框架中数据与框架的匹配需求并未因引入LLM/Agent而消失，数据偏差与前置情境误判会在自动化流程中逐级传递代表性证据：[R17,R57,R60]；2项直接水文研究加1项相邻灾害研究，均报告多阶段流程中的误差传递，其中1项提供重复执行分析。为何这些来源关键：[R17]将工作流完成率与洪水预报准确性分开，并记录降雨位置偏差如何使后续水文模型未产生显著洪峰；[R57]说明可重复执行的洪水预报Skills仍会把弱信号事件的前置判断偏差带入模型方案选择；[R60]补充了早期分级错误在重复多阶段流程中的传播机制。三项资料共同支持“稳定执行不等于稳定得到正确结果”。对行业决策的意义：评价应沿“观测与驱动数据—前置情境判断—模型或工具选择—业务结果”设置独立检查点。缺少独立观测、外部校验或人工复核时，Agent不能自行消除上游偏差；它只能依据已配置的质量标志、冲突规则和工具反馈发现部分异常并触发复核。适用范围与局限：直接水文证据来自少量流域与事件；相邻灾害研究只补充传播机制。现有证据支持“未拦截偏差会传递”，尚不足以断言所有水利智能体架构都会扩大误差。置信度：中等洞察四：水利智能体的功能发展速度快于实际应用经验的积累速度洞察四：水利智能体的功能发展速度快于实际应用经验的积累速度代表性证据：[R01,R22,R33,R61,C18,C22]；4项研究加2项行业资料。研究证据达到单场景或可复核验证，授权操作材料均为功能主张；本证据集没有持续运行验证。为何这些来源关键：[R01]、[R22]和[R33]表明，多模块管网分析和水文率定已经能够形成单场景或可复核结果；[R61]则在300项水电任务中显示，数据获取改善后端到端成功率仍只有46%。与此相比，[C18]和[C22]描述了接近业务写入或操作的架构，却没有报告连续运行、故障、人工接管和业务后果。研究结果与行业主张之间的反差共同说明，功能发展明显快于运行证据积累。对行业决策的意义：项目从原型进入生产系统前，应把历史回放、实时并行验证和持续运行记录设为独立验收阶段。扩大写入或控制权限的依据应是本机构真实负荷下的失败、干预、恢复和业务结果，而非模型版本、智能体数量或产品“上线”表述。适用范围与局限：本判断限于公开资料，机构内部可能存在未公开运行案例。置信度：强洞察五：将专家隐性经验转为可复核规则，是形成长期行业价值的重要路径洞察五：将专家隐性经验转为可复核规则，是形成长期行业价值的重要路径代表性证据：[R15,R17,R22,R57,R70,C22]；5项研究加1项行业资料，覆盖洪水遥感、水文模型诊断、洪水预报Skills、业务协同和人工审批。为何这些来源关键：[R15]展示了如何从既有洪水制图系统中恢复数据选择、地形修正和机构使用经验；[R17]、[R22]和[R57]分别把气象水文校核、上下游诊断规则以及预报员的事件判断与方案选择转化为可执行步骤；[R70]说明跨专业协同的行业需求，[C22]则把关键操作前的人工批准纳入系统架构。这些来源共同覆盖了经验识别、规则固化、流程执行和责任保留的完HydroAgent-Lab16整过程。整过程。对行业决策的意义：机构应在引入水利智能体的同时梳理专家实际使用的数据、阈值、例外、停机条件和签发规则，并将其转成版本化、可测试的工作规则。这样既能复用经验，也能发现不同专家和部门之间尚未解决的判断冲突。专家规则只是领域专用能力的一层；完整领域能力还包括时空数据上下文、专业工具接口、异常容错、任务基准、权限和责任边界。适用范围与局限：经验的规则化适合可重复工作流，不能穷尽极端事件、地方经验和临场责任判断。规则需要由业务负责人维护，并随模型、设施、规程和气候条件变化持续更新。置信度：中等偏强水利行业智能体白皮书HydroAgent-Lab175水利智能体的未来方向与行动路径本章依据前述应用现状、功能角色和代表性证据，提出值得优先推进的水利智能体任务，并说明各方向形成业务价值所需的专业能力、数据和验证条件。5.1重点发展方向5.1.1跨流域、跨模型的水文工作流编排现有率定与预报案例多集中在单流域、单模型或少量事件。下一阶段的重点是让水利智能体根据气候、下垫面、积雪、工程调控和资料条件识别模型的适用性，在相同驱动与评价条件下比较候选模型，并说明模型选择或切换的水文依据。跨流域应用应检验水量平衡、洪峰与峰现时间、过程线和失败定位，同时记录智能体何时拒绝不适用的模型或将判断交回水文人员。5.1.2多源观测、驱动数据与集合预报协同洪涝、水资源和水质任务经常同时使用测站、雷达、卫星、气象预报和现场信息，而不同来源对同一事件可能给出相互矛盾的判断。水利智能体的潜力在于把各类观测对应到具体流域和时段，追踪来源冲突如何影响洪峰、到时或水质异常判断，并据此触发补充观测或人工复核。专业算法仍负责质量控制、遥感反演和集合预报计算；评价重点是系统能否识别暴雨位置偏差、缺测和传感器漂移造成的风险。Agent对来源冲突的判断必须调用独立质量控制或观测工具；仅依靠语言推理不能视为纠正上游偏差。5.1.3水资源与水库多目标方案综合水资源配置和水库调度的难点是在来水不确定、工程约束和多方目标并存时形成可供会商的可行方案。水利智能体可以组织来水集合、调度模型和优化器，在规则曲线、生态流量、机组条件和跨区域协议约束下形成多套方案，并说明供水、防洪、发电和生态目标之间的取舍。近期价值在于提高计划编制和会商的可追溯性；方案是否采用以及闸门、机组和跨区调水指令仍由相应责任人决定。5.1.4城市水务的模型—资产—工单协同城市水务的发展重点是贯通“异常发现—资产确认—水力分析—处置方案—工单反馈”的事件链。水利智能体应先把操作人员的描述对应到GIS、SCADA和水力模型中的唯一资产，再结合EPANET或SWMM比较维修和运行方案，并将获批结果写入工单、跟踪处置反馈。环状管网中的近似名称、监测缺失、通信故障和越权写入都应进入测试集；在形成