> For the complete documentation index, see [llms.txt](https://doc.duaer.com/zh/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://doc.duaer.com/zh/guides/energy-industry-llm-use-case-selection.md).

# 能源行业大模型怎么选场景？2027年从价值与难度排序起步

本文整理自 Duaer 文档站，围绕能源行业大模型落地，说明如何梳理候选场景、按价值与难度排序、验证数据是否真的可用，并选出第一个边界清楚的试点。

## 问题不在能不能用，而在先用哪一个

能源企业这两年几乎都听过“大模型要进电厂、进电网”的说法，但项目真正立项时，问题很快变成：这么大的行业，大模型到底先用在哪？很多团队的第一反应是挑一个听起来最“智能”的场景，比如自动调度或全局优化，结果数据接不通、安全审批过不去，半年下来没有像样的产出。

能源行业的特殊之处在于，生产系统对安全和稳定的要求极高，数据分散在 SCADA、DCS、设备台账、纸质规程和多年积累的运维记录里。大模型能做的事情很多，但真正能在本单位跑起来的，通常是少数几个边界清楚的场景。所以问题不是“能源行业能不能用大模型”，而是“先用哪一个”。

## 能源行业常见的几类大模型场景

先把候选场景列全，是选型的第一步。结合能源企业的常见业务，大致可以分为几类。

第一类是安全规程与操作票问答。一线人员需要快速查询规程条款、检修票要求和应急预案，这类内容以文本为主，结构相对规范，风险也较容易控制：模型只给出参考依据和出处，关键操作仍由人确认。第二类是设备运维知识助手，把历史缺陷记录、检修报告和厂家手册整理成可检索的知识库，辅助工程师排查思路。第三类是巡检记录与告警工单摘要，例如把现场巡检文字、交接班日志压缩成结构化摘要，减轻值班人员的书写负担。第四类是合同、招投标和采购文件审查，新能源项目的合同条款繁多，适合做条款比对和风险点提示。第五类是碳排放与环保报告的初稿辅助，从台账数据生成报告框架，由专业人员逐项核对。

还有两类价值很高，但不适合作为起点：一类是负荷、发电量和电价预测，它们依赖时序数据与专业建模，大模型更多是辅助解释；另一类是实时控制与调度决策，合规门槛最高，任何错误都可能直接影响电网运行。把它们放进候选清单可以，但不要一上来就碰。

## 按价值与难度排序，并先验证数据是否可用

排序时建议用两个维度打分，每个维度 1 到 5 分。价值看三件事：每周能节省多少真实工时，能降低多少错误或漏检风险，覆盖多少人。难度看四件事：需要的数据是否已经存在且可取，要接入几套系统，涉及的安全等级是否需要改动控制链路，审批需要经过几层。

这里有一个常见误区：安全等级高，不一定意味着难度高。一份只读的规程问答，虽然关系到安全，但它不需要改动任何生产系统，审批路径反而可能比较清楚。真正的难度往往来自数据和接口，而不是“安全”两个字本身。把每个候选场景都按这两个维度摆到一张表上，高价值、低难度的区域通常会很快显现，那就是第一个试点的候选范围。

能源企业普遍不缺数据，缺的是可用的数据。同一个设备可能在三套系统里有三种编号，历史缺陷记录有大量扫描件和手写备注，老系统没有开放接口，很多经验只存在于资深员工的脑子里。如果在选型阶段没有验证，项目往往会在中途才发现知识根本不在系统里。

一个低成本的检验方法是：让业务人员提出 20 个真实问题，比如“某型号变压器过热常见原因是什么”“某类工作票需要哪些签字”，然后逐一核对答案能否在现有文档中找到、由谁维护、最近一次更新是什么时候。能找到并且有人维护的场景，才值得进入试点。找不到的，不是模型的问题，而是数据治理需要先补课。

## 怎么选第一个试点

第一个试点的筛选标准可以简化为六条：业务边界清楚；有明确的使用者；结果可以人工核对；不直接触发生产操作；数据范围能在一个部门内闭环；有人愿意每周给出反馈。满足这些条件的场景，通常是规程问答、缺陷知识检索或巡检日志摘要这一类。它们的共同特点是：输出是“给人看的参考”，而不是“替人做的决定”。

如果你已经有了候选清单和评分表，下一步就是把它们放进一个能反复修改、能多人协作的地方，并把每个场景的数据来源、负责人和评分依据记录下来。这一步可以直接在 Duaer 里完成：把“列场景、打分、选一个试点”的流程跑通，先用小范围的真实文档验证，再决定是否扩大。关于场景排序的更多思路，可以参考[2027年企业AI应用场景怎么排序？先看价值与难度再选试点](https://doc.duaer.com/zh/guides/enterprise-ai-use-case-prioritization/)。

## 怎么衡量试点是否值得推广，以及合规边界

试点的衡量指标要在启动前就定好，而不是结束后再找理由。建议至少看五项：周活跃使用人数与使用频次；抽样评估中答案被一线人员采纳的比例；处理同类任务的平均耗时，前后用同一批任务抽样计时对比；错误与遗漏的记录，并按严重程度分级；安全相关事件作为底线指标，要求为零。

需要特别注意的是，回答“看起来不错”不等于回答“可以用”。能源场景里，一个看似合理但条款引用错误的回答，代价可能很大。因此，试点阶段要求每个回答都附带出处，并把错误回答单独归档，作为后续优化的依据。如果某个场景在两三个月内使用频次低、错误率下不来，就应该果断收缩范围，而不是硬撑着扩展到更多系统。

无论选哪个场景，有几条边界应当在立项时写进文件：生产数据尽量留在本单位域内，访问权限按岗位分级；模型输出不直接触发任何控制指令；所有查询与回答保留日志，便于事后审计；涉及敏感设备或安全规程的内容，更新需要经过专业部门确认。这些要求不是为了让项目变慢，而是为了让试点结果能被安全部门和管理层接受，从而进入下一阶段。

## 本周可以做的一件事

拉一个 8 到 10 人的小组，包括一线班组长、设备工程师、信息化人员和安全管理人员。每人提交 2 个最常被问到的业务问题，汇总成一份 15 个左右的候选清单。然后对每个候选场景逐一回答三个问题：答案在哪份文档里，由谁维护；需要接入哪些系统；一旦回答出错，影响有多大。最后按价值与难度打分，选出一个作为第一个试点，并写下它的成功指标。

如果你希望把这次梳理直接落到一个可以协作的环境里，欢迎到 [https://www.duaer.com](https://www.duaer.com) 注册试用，先用你们自己的一小批规程和缺陷文档做验证，再决定下一步投入多少。

能源行业的大模型落地，不是比谁的场景更宏大，而是比谁先选对了第一个边界清楚、可以核对、能够持续改进的场景。

## 常见问题

### 能源企业做大模型，第一个场景应该怎么选？

通常优先选择边界清楚、结果可以人工核对、不直接触发生产操作的场景，例如安全规程问答、设备缺陷知识检索或巡检日志摘要。选型时可以按价值和难度两个维度打分，再结合数据是否已经存在且可取来判断。

### 大模型可以直接参与电网调度或设备控制吗？

不建议作为起点。实时控制与调度决策合规门槛最高，任何错误都可能直接影响电网运行。更稳妥的做法是让模型只提供参考依据和出处，关键操作仍由人确认，并且模型输出不直接触发任何控制指令。

### 怎样判断大模型试点是否值得推广？

建议在启动前就确定衡量指标，至少包括周活跃使用人数与频次、一线人员对答案的采纳比例、同类任务的前后耗时对比、按严重程度分级的错误记录，以及作为底线的安全相关事件。如果使用频次低、错误率长期降不下来，应及时收缩范围。