医院能源托管项目通常以十年为周期。在漫长的运营期内，医院管理者能够直观查看每月的节能收益与碳排降幅，但他们更深层的关切往往在于：节能成效能否持续？运营体系是否稳定？十年期满后，这套管理能力能否真正沉淀为医院的内生资产？

技术改造与信息化工具可以部分回应上述问题，但运营质量的根本保障仍在于人——数据需要持续监测，策略需要动态调优，现场需要定期巡检。医院规模越大，人工精力越难以支撑这种长周期、精细化的运营要求。智能体的出现，为这一困境提供了系统性解决方案。传统AI擅长交互与建议，但执行环节仍需人工介入；新一代智能体则具备任务拆解、系统调度与结果交付的自主能力。

对医院而言，这一能力跃迁具有关键意义——节能并非一次性分析或单次设备改造所能实现的，而是依赖"分析—处置—复核—迭代增强"的持续闭环。这正是能够7×24小时自主运行的智能体所擅长的运营模式。

五层能源AI底座：

全域感知 语义理解 知识沉淀 自主执行

将AI引入医院能源运营场景，绝非接入一个通用大模型这么简单。为此，天溯搭建了五层能源AI底座：连接层接入空间、设备、人员和EMS、BA、HIS等系统；MCP作为统一接口；语义网络用同一套"能源语言"描述设备和规则；记忆层存下执行结果和偏好；技能层把能源、机电、后勤经验封装成可插拔的"技能包"。

在模型层面，AI底座兼容在医院本地部署开源大模型，或使用天溯针对特定场景训练的小模型，27B参数规模的模型就足以覆盖绝大多数运营场景。

四大核心场景

看智能体如何落地

01数据治理：构建可信数据基础

针对采集数据失真问题，智能体调用质量检测模型自动筛查异常，结合知识库定位根因并执行数据修复；针对基础数据维护滞后问题，智能体基于CAD图纸与现场照片自主分析回路关系，构建回路能耗模型。人工负责现场核实与整改，整改效果由智能体持续验证，典型案例自动沉淀至项目记忆库。数据治理由此从"上线一次性清洗"转变为贯穿全运营周期的持续性工作。

02管理节能：实现回路精细化管控

基于天溯在医院能源运营领域的长期经验沉淀，智能体会依据用能场景为全部回路标注业务、空间、用途、层级四类标签，通过能耗曲线模型定义"正常用能"，并定期比对识别偏离正常运行规范的用能回路。智能体明确输出节能的空间与整改建议，由运营人员核查协调；整改完成后，智能体持续跟踪验证节能成效。

03空调优化：建立持续进化的动态调优体系

能效评估模型综合负荷、环境、运行参数与历史能效数据，识别供回水温差偏小、水泵频率偏高等常见节能控制问题。智能体优先输出优化建议，经运营人员审核确认后下发调整指令，并对控制效果进行持续评价，再将经过实际验证的有效策略写入项目记忆。

04风险管理：精准归因与动态预警

智能体综合业务量、气象条件、节假日及设备运行规律，按建筑、区域、设备维度建立动态预测基线。一旦能耗偏离基线，系统自动定位偏差位置、分析增长成因、量化各因素贡献度及其对全年能耗的影响。现场人员依据风险推送核实业务变更、设备新增等实际情况，及时处置异常，将能耗增长风险管理纳入日常运营工作流。

模型越用越准

靠的是本地闭环

通用模型往往难以长期适配医院特定的现场环境。天溯采用"本地优先"的三步策略：基础模型结合本院数据进行场景化微调，确保数据不出院；人员验证过程中发现的Bad Case留存本地作为特征数据；边界案例进入下一轮迭代，反向更新策略与记忆。由此实现模型在项目现场的滚动进化——使用频次越高，数据积累越充分，模型精度越趋精准。

十年期的能源托管项目恰好为智能体提供了理想的成长环境：工作流稳定、数据连续、目标明确，十年运营周期内的每一次处置均可沉淀为医院自身的能力资产。

运营效果

以某整区能源托管项目为例，在不依赖设备改造的情况下，单项目综合节能率提升3%—5%；运营团队的日常分析与处置效率显著提升；异常能耗增长的发现周期由按年缩短至按月、按日。

从发现问题到分析问题，从提出建议到交付结果。一位深耕能源托管数十年的能源经理曾坦言：这一领域的痛点往往在于，大量异常隐匿于数据之中未能及时察觉，察觉后无暇细查，查明后又无力整改。一台空调的水温偏差，往往拖延整个夏季。如今，从问题识别、根因分析到整改跟踪、效果验证，智能体实现了全链路的持续滚动运转，让运营人员得以将精力聚焦于沟通决策等更具价值的人工环节。

目前，这一AI运营闭环正在天溯的能源托管项目中加速迭代。未来，天溯将紧跟国家双碳战略与智慧医院建设步伐，持续把AI、大数据等核心技术深度融入医院管理运营的真实场景，携手行业伙伴打磨可复制、可推广的运营经验，推动"能干活"的AI走进更多医院的日常，助力医院向更智慧、更绿色、更高效的方向发展。