香港理工大学建筑环境及能源工程系副教授黄鑫炎、博士研究生谢伟康等提出“LLM-AI”自驱动的消防应急智能体框架，以大语言模型（LLM）作为任务协调与推理核心，将AI火场态势感知模型作为专业工具纳入智能体的自主执行流程，弥合了火灾场景下人工智能与用户的交互鸿沟，为未来城市中的智慧消防技术落地提供了新方案。近日，相关成果发表于中国工程院院刊Engineering。

该研究为LLM配置了“火场感知工具箱”，将 ConvLSTM-Fire 火灾预测模型与 ChatGPT-4o 集成。基于 AIoT 技术，ConvLSTM-Fire 能够利用现场传感数据实时推算建筑二维温度场。为提升数据驱动方法的鲁棒性，该模型被设计为温度场推理核心，即使在极端火灾条件下部分传感器失效时仍可正常工作。

针对紧急场景下人工处理复杂数据不可靠的问题，系统引入自驱动机制。对于依赖火场条件的问题，系统将自动拆解任务、生成代码，调用ConvLSTM-Fire并进一步处理模型输出。生成的代码在受限执行环境中自动运行，并在出现运行错误时根据反馈进行修正和重试。由此，大语言模型从静态问答升级为具备感知、计算与执行能力的消防应急智能体，形成数据获取、推理分析与建议输出的闭环，提升了智慧消防技术在真实火场中的可用性与可靠性。

为验证模型在传感器失效场景下的鲁棒性，图2对比了ConvLSTM-Fire的模型预测结果。其中，图片左侧为CFD模拟的基准数据，中列为利用六个传感器反演的结果，右侧为假设失火房间传感器失效后仅用其余五个传感器数据的预测结果。结果显示，ConvLSTM-Fire 在各条件下均复现了与基准相似的温度时空演变（准确率>97%），包括房间内的温度梯度与房间连接处的烟气入侵路径，表明其可为下游基于 LLM 的决策支持提供可靠环境感知信息。

该智能体以大语言模型为协调核心，集成ConvLSTM-Fire 火灾预测模型，能够根据用户自然语言请求自主完成从任务解析、模型调用、数据分析到结果可视化的全流程。

本研究提出了一种基于LLM-AI 自驱动框架的消防应急智能体。研究表明，该框架在传感器失效等极端条件下仍能保持较高预测可靠性，并推动大语言模型由静态知识问答向具备感知、推理与执行能力的信息处理主体转变，为智慧消防提供了新的技术路径。

面向未来，研究团队将进一步融合多模态感知信息、增强跨场景泛化能力，推动其在智慧建筑与城市消防中的实际部署，为智能应急响应提供通用技术支撑。

相关论文信息：https://doi.org/10.1016/j.eng.2026.02.023