arXiv cs.AI· Amedeo Buonanno, Salvatore Fabozzi, Maria Valenti·· 14 小时前AI 评分31
AutoEnergyDesign：用 LLM 智能体自动优化建筑能源系统设计
AutoEnergyDesign: An LLM-Driven Agent for Automatic Energy System Design Optimization
AI 导读
AutoEnergyDesign 让 LLM 智能体在仿真结果上推理并提出配置改动，配合 git 式回滚机制，在建筑能源系统设计中达到约 3.53 MEUR 的 25 年净现值成本，比最佳 TPE 结果低 1.20%。
正文 · AI 翻译
摘要：设计建筑能源系统是一个高维混合整数搜索问题：当每个设计都需要通过长达一年的仿真来评估时，黑盒优化器通常需要数百次评估。本文提出 AutoEnergyDesign，这是一个框架，其中大型语言模型（LLM）智能体基于先前的仿真结果进行推理，提出配置变更，并从每次结果中进行上下文学习，同时基于 git 的机制会自动回退不成功的变更。该智能体将推理模型与显式的记忆组织（程序性、语义性、情景性和反思性）、受约束的动作接口以及基于环境的保留/回退信号相结合。该模拟器涵盖八种技术（光伏、微型风电、热电联产、太阳能热利用、燃气锅炉、电池、热泵和逆变器），并计算 25 年净现值成本（NPC），包括资本成本、运营成本和残值。在一个使用实测建筑负荷曲线的案例研究中，该智能体分别使用 Claude Haiku 5.5、Sonnet 5.5 和 Opus 5.5 运行（每个模型十次运行，每次 50 次仿真），并与随机搜索、树结构 Parzen 估计器（TPE）贝叶斯优化以及一种与智能体共享接受规则的 $(1+1)$ 进化策略进行比较（300 次评估，十个随机种子）。在三种模型下，智能体均达到约 3.53 MEUR 的 NPC，比最佳 TPE 结果低 1.20%，比最佳进化策略结果低 0.23%。它在仿真次数中位数为 18 次（Opus）至 27.5 次（Haiku）后达到该设计 1% 以内，而在基线中只有进化策略能做到这一点，且仅在其一半的随机种子中实现，评估次数中位数为 192 次。Opus 在全部十次运行中都达到了最佳设计，Sonnet 在六次运行中达到（有两次运行从未进入 1% 以内），而 Haiku 在每次运行中都进入了 1% 以内，但仅有一次精确达到。每个决策都记录在可审计的追踪记录中。
| 学科： | 人工智能（cs.AI）；机器学习（stat.ML） |
| 引用为： | arXiv:2610.35160 [cs.AI] |
| （或本版本的 arXiv:2610.35160v1 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2610.35160 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Amedeo Buonanno [查看电子邮件]
[v1]
2026 年 10 月 26 日星期一 10:25:55 UTC（936 KB）
来源：arXiv cs.AI · arxiv.org