创新实践 | Agent智能体多模态大语言模型在信息通信行业应用探索

       随着人工智能技术加速演进，Agent智能体（Agent）与大语言模型正在改变企业数据管理与决策的方式。信息通信行业是电力、交通、能源、军队、院校等关键基础设施的"神经系统"，其资产规模庞大、资源关系复杂、业务链条绵长，长期面临"数据看不全、关系理不清、调度靠经验"的共性难题。​

       杭州互升网络科技有限公司（以下简称"杭州互升"）以自主研发的《信通数智管控平台》为底座，以资产、资源和业务的数智化管控与AI智能调度为核心管理目标，持续探索大模型与智能体技术在信息通信行业的落地路径。本文从行业挑战、关键技术、平台实践三个维度，分享我们的探索与思考。

       信息通信行业的数智化，不同于通用场景。它既要面对"多模态、多专业、多系统"的数据复杂性，也要面对"高可靠、高实时、高安全"的业务约束。认清这些挑战，是一切技术选型与工程实践的前提。

       信息通信行业的数据模态丰富多样，每种模态都有其独特特点。理解这些特点，是模型能否用好的基础。

文本数据涵盖通信专业规章制度、资产台账、资源数据、业务资料、例测记录、维修档案与隐患排查记录等，术语专业性强、逻辑结构严谨。例如光缆资源台账，涉及纤芯编号、路由走向、端口对应关系等大量专业字段，对模型的专业理解能力要求极高。

图纸与资料数据包括网络拓扑图、光缆路由图、设备图纸、竣工资料与现场留档影像等。这类数据结构复杂、版本众多，且必须与台账严格对应——图纸与台账一旦"对不上"，后续的资源统计与调度判断就会出现偏差。

时序与结构化数据包括告警流、性能指标、资源占用、流量数据等，具有高频、强关联、时序敏感的特点。它是通信网络"脉搏"的直接体现，也是进行状态感知与趋势预测的重要依据——这是信息通信行业区别于其他行业的关键数据特征。

仿真调度数据模型以资产、资源、业务数据为输入，支撑调度方案的事前仿真推演与风险预判，并辅助边界作业规程预警；相比依赖人工经验逐项翻查台账，它能秒级完成全量数据关联与方案生成，形成可回溯、可验证的调度底座。

       信息通信行业涉及高度专业化的规程与标准（如光缆规程、设备维护规范、资源命名规则），需将领域知识与专业知识有效嵌入模型训练和推理过程，避免生成错误或不符合规范的输出。

       通信网络往往由多厂商设备与多套异构网管系统构成，接口协议、数据标准不统一，AI模型难以直接对接。需解决新旧系统的兼容性问题，这也导致部署与改造成本增加。

       网络运维、调度指挥等岗位人员对AI决策的接受度有限，需通过可解释性技术（如可视化推理路径）提升模型透明度，建立"AI建议 + 人工确认"的人机协同机制。尤其在涉及作业边界与安全规程时，任何自动决策都必须有明确的校验与兜底。

       大模型训练与部署需要较高算力支撑，且行业场景定制化开发成本高，需要在模型规模、推理性能与应用实效之间找到平衡点。

       针对信息通信行业的数据特点与应用挑战，杭州互升围绕"数据理解"与"智能体行动"两条主线开展关键技术研究，形成可工程化落地的技术路线。

大语言模型（LLMs）具备强大的自然语言理解与生成能力，而进一步发展的多模态大语言模型（MLLMs）则结合了视觉、音频等其他模态的理解能力，通过整合文本、图像、声音等多种类型的输入与输出，提供更加丰富和自然的交互体验。

Agent智能体（Agent）则是以大模型为推理内核、具备自主规划与工具调用能力的智能程序。它能够在给定目标下自主拆解任务、调用外部工具、记忆上下文、校验结果并循环优化，从而把"模型能力"转化为"业务行动"。

       融合架构在经典五组件——模态编码器（Modality Encoder）、输入映射器（Input Projector）、大模型骨干（LLM Backbone）、输出映射器（Output Projector）、模态生成器（Modality Generator）——的基础上，叠加Agent智能体引擎，形成"理解链路 + 行动引擎"的双层结构。

• 模态编码器：将文本、图纸、时序等不同模态的输入数据转换为模型可处理的统一特征表示，如同"翻译官"，把不同模态的信息转换成共同的"语言"。
• 输入映射器：将不同模态的编码特征映射到共同的特征语义空间，使这些特征可被大模型骨干统一处理和理解。
• 大模型骨干：承担核心的推理与理解，是整个系统的"认知中枢"。
• 输出映射器：将大模型的输出信号映射回原始模态的空间，并转换为适合不同模态生成器使用的特征表示。
• 模态生成器：生成不同模态的输出结果，使系统能够灵活处理并生成文本、图纸说明等多种类型的输出。
• Agent智能体引擎：提供任务规划、记忆机制、工具调用与执行校验能力，使系统从"单轮问答"走向"自主闭环"。

       大模型的训练主要分为两个阶段，并在此基础上增加了面向Agent的多步行动优化。

• 预训练（Pre-Training）：通过大规模行业语料学习，建立基础的语言与领域理解能力，完成不同模态之间的对齐。
• 指令微调（Instruction Tuning）：通过指令格式化的数据集对预训练模型进行微调，提高模型遵循新指令的能力，增强其在未见任务上的性能。
• Agent强化微调（Agent RFT）：面向"多步行动"任务，通过可验证奖励函数对智能体的规划与执行策略进行优化。

       借鉴Visual-RFT将强化微调扩展到视觉任务的经验，杭州互升将这一方法进一步延伸到智能体的多步任务中：给定任务与上下文，Agent生成多条包含推理过程与最终结果的轨迹，并通过可验证奖励函数与策略梯度优化算法更新策略模型，从而提升其在资源关联分析、调度方案生成等业务流程中的表现。

       结合信息通信行业的复杂环境，可验证奖励显著降低了对人工标注的依赖，简化了奖励计算过程，并在数据有限的情况下表现出更强的泛化能力——尤其适合资源关联、台账核查、调度方案生成等"有明确校验标准"的业务场景。

       技术最终要落到平台上、落到业务里。杭州互升以自主研发的《信通数智管控平台》为底座，以资产、资源和业务的数智化管控与AI智能调度为核心管理目标，把大模型与智能体能力工程化，形成覆盖"数据—平台—应用—场景"的完整体系。

       《信通数智管控平台》的管理目标清晰而聚焦：把资产、资源和业务三类数据管起来、连起来、用起来。资产是"物理实体"，资源是"逻辑能力"，业务是"服务过程"——三者互为支撑，任何一次调度判断，本质上都是对这三类数据关系的重新梳理。

       平台的核心价值在于"承上启下"：向上，为智能体提供统一的数据接口与工具接口；向下，屏蔽多厂商、多系统的异构差异，让数智能力可以低成本地复用到不同行业场景中。

       这是《信通数智管控平台》最直接、也最能体现价值的能力所在。

上线之前：全凭人工经验，一次调度需要 2-3 个小时。在未上线平台时，资产、资源与业务数据的梳理与调度，全依托人工经验完成。运维人员需要逐项翻阅资产台账、资源关联关系与业务资料，并人工关联例测数据、历史维修记录与隐患信息，才能形成一次调度判断。整个过程通常需要 2-3 个小时，且高度依赖个人经验，一致性与可追溯性都难以保证。

上线之后：数据自动关联，调度梳理进入"秒级"。AI智能调度涵盖所有资产、资源和业务数据的数智分析与关联，能够秒级把相关的资产和业务数据梳理清楚——原本需要数小时翻阅、比对、串联的工作，被压缩到几秒之内完成。

       具体而言，AI智能调度在四个维度上实现了突破：

• 全量覆盖：资产、资源、业务数据统一纳管，不再依赖人工逐项翻查；
• 自动关联：例测数据、历史维修记录、隐患信息自动关联，形成完整的数据视图；
• 智能调度：基于数智分析结果生成调度方案，并辅助边界作业规程预警，把安全要求在调度环节前置；
• 仿真推演：实现了"仿真调度大模型"，支持调度方案的事前推演与风险预判。

       2024年3月，国网杭州供电公司正式上线信通数智管控平台，标志着其通信网络管理迈向智能化、精准化新阶段。平台深度融合智能化技术，构建了全要素监测与调度系统，覆盖光缆、设备、光路等关键环节，实现了通信资产的数字化管理。通过逻辑架构与物理结构的深度绑定，平台显著提升了台账资料的精准度与检修效率，并可智能分析光缆逻辑架构、优化台账资料流转效率，为多场景通信需求提供灵活调度能力，助力通信网络管理效能全面提升。

       面向交通（高速、机场及空管）领域通信专网，平台支撑通信资源管理、业务调度与应急资源统筹。通过资产、资源、业务数据的统一纳管与自动关联，从平台端到移动端管理人员可以快速掌握专网资源占用与业务承载情况，为调度决策提供清晰依据，有效提升故障响应与资源调配效率。

       聚焦石化能源系统全要素数字化重构，平台深度融合AI大数据预测引擎、生成式大模型与物联协同机制，打造覆盖数字能源业务链的创新生态，支撑能源业务的智能化调度与协同管控。

       将营区中人、资、业等基础设施及连带产生的各类活动数据融合，构建营区级融合数据中台。结合业务可视化技术辅助排查各类故障，综合提升营区管理效率，降低管理成本，实现减员增效。

       以一站式数据开发治理平台为支撑，覆盖大数据开发、数据校验、数据治理、任务调度与数据安全服务，帮助院校打通数据孤岛，实现"用数、管数、看数"的全生命周期洞察与数据驱动决策。

       信息通信行业的数智化转型，是一场"技术"与"业务"深度融合的长跑。面向未来，杭州互升将坚持"让数据用起来，把流程管起来，以数智赋能决策"的使命，持续深化Agent智能体与大模型技术在信通领域的研究与落地。

• 深化数智化管控：持续完善资产、资源、业务三类数据的统一纳管与自动关联，让数据"按需可查、关系自明"。
• 强化AI智能调度：让调度决策从"人工经验"走向"仿真推演"，进一步缩短从数据到决策的路径。
• 夯实可信与安全：通过可解释性技术与边界作业规程校验，让智能调度"看得见、可追溯、能兜底"。
• 拓展行业边界：把《信通数智管控平台》的能力复用到更多关键基础设施领域，让数据驱动的新质生产力在更广范围释放。

       从"人工翻查台账"到"数据自动关联"，从"经验驱动"到"仿真推演"——杭州互升愿与行业伙伴一道，共同推动信息通信行业迈向更智能、更高效、更安全的未来。