办公楼中按设备粒度进行的能耗监测往往会产生大量噪声告警，而非专业的设施管理人员很难从中提取有效信息。针对这一问题，一篇被IEEE CCNCPS 2026接收的论文提出了一套端到端的智能体流水线，将深度时间序列预测、变分异常检测与基于大语言模型的推理结合起来，最终输出按优先级排序、可直接执行的维护建议。该论文由Dihia Falouz等五位作者完成，于2026年6月26日提交至arXiv，编号为2606.28467，属于机器学习、人工智能与计算语言交叉方向。
在预测环节，系统跟踪七类办公设备，采用奇异谱分析（SSA）与长短期记忆网络（LSTM）相结合的混合模型进行能耗预测。异常检测环节则为每台设备单独训练一个带注意力机制的LSTM变分自编码器（VAE），用来标记异常的日消耗事件。这种按设备定制的阈值设计，有助于应对不同设备能耗模式差异较大的现实情况。
告警产生之后，系统通过一个基于LangChain的三阶段流水线完成推理。第一阶段是上下文智能体，它始终检索三个核心RAG来源——模型可靠性、逐时基线和专家知识——并根据事件特征有条件地追加最多三个来源，包括预测上下文、异常历史和全局基线；整个推理过程最多允许八步。第二阶段是诊断智能体，负责把收集到的证据转化为结构化的JSON诊断结果。第三阶段是报告智能体，将诊断渲染为人类可读的叙述。此外，系统还设置了一个反思记忆层，用于吸收操作员的反馈，使后续建议能够逐步调整。
在交互层面，仪表盘提供实时30分钟预测、日内消耗曲线、前一日异常报告以及反馈表单，方便设施管理人员查看和回应。
论文在16个场景构成的基准上评估了预测模型、带设备特定阈值的异常检测器以及LLM推理能力。这些场景涵盖持续性与瞬态尖峰、意外关机以及系统性事件，并比较了五种LLM后端在静态检索与动态检索两种模式下的表现。结果显示，动态检索在所有后端上都达到了与完整静态检索相当的效果，同时将每个事件的平均上下文来源从六个减少到三至六个。表现最好的后端得分为90.4/100，在70分阈值下通过率达到100%；而一个完全本地运行的70亿参数模型也通过了全部16个场景，说明该方案在隐私敏感或离线部署环境中具有可行性。