为什么分布式能源对运营商构成挑战
主动配电网越来越不像传统的“管道”，电力在其中单向流动。由于太阳能板、储能装置、充电站的大规模接入，以及同时购买和出售能源的主动型消费者的出现，管理此类网络正变成一项包含大量场景和相互矛盾目标的任务。同一个决策必须同时考虑可靠性、经济性、设备限制和市场信号——而且要在接近实时的模式下进行。
为了解决这类问题，工程师和研究人员近年来创建了许多高度专业化的模型：有的预测负荷，有的优化功率潮流，有的评估网络状态。这些模型单独使用时效果很好。但当运营商面临一项新的复杂任务时，他必须手动选择所需的算法、了解它们的接口、在它们之间传递数据并解读结果。这需要很高的专业水平和大规模的重复性劳动。几乎每一个新场景都会变成一个独立的集成项目。
这就产生了一个悖论：专业化的AI模型越来越多，但它们对运营商的综合价值却没有以同样的速度增长，因为太多时间花在了编排上。我们需要一种工具来承担这项工作中繁琐的部分：理解人的请求，将其拆分为子任务，并按正确顺序自行调用所需的模型。
LLM协调器将复杂请求转化为工作流程
以Xu Yang为首的一组研究人员提出了一种方法，让大语言模型扮演调度员的角色。该成果被命名为ADN-Agent。其理念是：用户以自然语言与系统交互，而系统内部的语言模型协调一组领域模型——即能源领域已经存在的那些“专家”。
在实践中是这样运作的：运营商只需输入一个请求，例如“在某种天气预报下评估馈线跳闸的后果，并提出最优切换方案”。无需手动运行预测、稳态计算和优化模型。ADN-Agent会自行识别意图、将任务分解为多个阶段，并确定调用哪些专业模型。通过自适应模型选择，系统能够适应不同类型的问题，并且不要求用户了解每个模型的实现细节。
重要的是，LLM本身并不尝试计算能量或求解方程。这是一个原则性问题：语言模型擅长理解上下文和规划，但不擅长数值计算。因此，ADN-Agent将计算交给经过验证的领域模型，而自己保留“协调者”的工作——任务分解、工具选择和将答案整合为人类可理解的形式。
为“五花八门”的模型提供统一接口
构建此类系统时的主要问题之一是领域模型的异构性。它们用不同的编程语言编写，使用不同的数据格式，并且期望不同的输入结构。不能简单地将这样一个“动物园”直接喂给语言模型。因此，在架构中，作者提出了一种新的交互机制，为所有模型提供统一且灵活的接口。借助这一机制，协调器可以平等地与简单脚本和重型优化器通信，而无需了解它们的内部结构。
这样一个统一层不仅是技术细节，更是规模化扩展的必要条件。如果明天出现一个新的领域模型，只需将其接入公共总线一次，它就能立即通过标准语言请求对所有用户可用。
系统如何变得更智能：微调小型语言模型
使用LLM进行协调只是故事的一半。复杂请求中的某些子任务与其说需要数值计算，不如说需要语言处理。例如，需要从自由文本中提取对象参数、匹配设备名称或生成结果说明。对于这类语言密集型操作，研究人员采用了另一种方法：在系统中嵌入小型语言模型，这些模型通过自动化流水线针对特定功能进行微调。
既然已经有了大语言模型，为什么还需要这些？因为小型模型可以快速且低成本地实时运行，而针对能源领域特点的微调能提高整个系统的准确性。同时，训练流水线是自动化的，即不需要在每一步手动收集示例——系统在很大程度上自行准备数据并训练这些“助手”。最终形成一种多层次架构：大型LLM负责“战略性思考”，而小型微调模型执行局部语言操作，不增加主协调器的负担。
实验：集成方法胜过单一LLM
作者并未止步于概念描述。他们进行了详细的对比和消融实验，检验每个组件的贡献——从路由机制到小型模型的微调。结果表明，ADN-Agent方法在能源任务中优于现有的使用大语言模型的范式。在多场景和复杂请求上优势尤为明显，因为单一语言模型要么精度不足，要么缺乏调用外部求解器的能力。
论文《One Request, Multiple Experts: LLM Orchestrates Domain Specific Models via Adaptive Task Routing》可在arXiv上以编号2511.12484获取，并已被《CSEE Journal of Power and Energy Systems》期刊接受，计划于2026年夏季发表。这表明该工作经过了严格的同行评审，而不仅仅停留在预印本阶段。语言模型不再是自主的“万事通”，而是作为专业模型集成体的灵活协调者——这一方向对许多工业领域都颇具前景，而能源领域只是其中的先行者之一。
