LLM落地暖通空调的冷思考：66篇综述揭示部署鸿沟与混合架构未来

建筑自动化系统虽然每天产生海量的传感器数据，但在实际运营中往往面临"数据丰富、洞察匮乏"的困境。这一核心矛盾主要源于异构的点命名规范、缺失的元数据以及碎片化的文档体系，严重阻碍了数据的直接运营价值转化。针对这一行业痛点，本研究对2023年至2026年3月间发表的66篇关于大语言模型在暖通空调（HVAC）操作中应用的同行评审文献进行了系统性综述与编码分析。论文的核心贡献在于首次从方法论、应用场景及部署就绪度三个维度，全面评估了LLM在该领域的成熟度。

研究不仅将文献划分为五大应用家族和三种LLM方法家族，更创新性地引入了"责任边界"概念，深入剖析了LLM与物理HVAC决策之间的交互关系。通过这种多维度的分类与评估，研究揭示了当前LLM在HVAC领域的应用现状，指出其更多是作为语义层和工作流辅助工具，而非自主控制器，为后续研究提供了清晰的路线图。在技术方法层面，研究详细梳理了LLM在HVAC操作中的具体实现路径。尽管传统机器学习、模型预测控制（MPC）、强化学习（RL）以及基于本体的工具在高频控制、短期数值预测和结构良好的本体映射方面仍占据主导地位，但LLM展现出独特的优势。

技术路径主要集中在利用LLM进行点名称标准化、基于文档的操作员支持、建筑能源建模（BEM）工作流辅助，以及围绕基于物理的控制器的咨询接口。这些方法并未试图让LLM直接替代底层控制算法，而是将其作为连接非结构化数据与结构化控制系统的桥梁。例如，在点名称标准化任务中，LLM能够理解不同厂商设备命名的语义差异，实现数据对齐；在操作员支持方面，LLM能够检索并解释复杂的系统文档，降低人工操作门槛。然而，研究也指出，自主智能体操作和未经验证的 occupant（居住者）代理模型仍停留在研究阶段，表明当前技术尚不具备完全自主决策的能力，必须依赖人类干预（human-in-the-loop）以确保安全。

实验设置与关键结果揭示了当前研究的严峻现实。通过对66篇文献的深入分析，发现研究资源高度集中于建筑能源建模领域，共占32篇，而负荷预测领域由于数据稀疏性，尚不足以得出子领域的明确结论。在证据等级方面，仅有四项研究达到了试点级证据（pilot-level evidence），且没有任何一项报告了持续的运营部署。在部署就绪度评估中，没有一项研究被归类为"立即就绪"（ready-now）供行业采用，仅有三项被评估为"近期就绪"（near-term），其余63项均属于纯研究阶段（research-only）。

这一结果表明，尽管LLM在概念验证中表现出潜力，但在实际工业环境中仍面临巨大挑战。消融分析进一步显示，那些具有明确边界、结合人类监督的应用场景（如点名称标准化和文档支持）更有可能在近期实现试点试验，而试图让LLM完全自主控制HVAC系统的尝试则缺乏实证支持。从行业意义与潜在影响来看，本研究为LLM在建筑能源领域的落地提供了冷静且务实的指导。当前证据强烈支持将LLM定位为语义理解层和工作流增强层，而非自主HVAC控制器。这对开源社区和工业界具有重要启示：未来研究应优先开发经过现场验证的基准测试（benchmarks），以客观评估模型性能；同时，需重点研究在运营约束下的编排评估，以及LLM与MPC/RL结合的混合架构。这种混合架构旨在利用LLM的高层语义推理能力，结合传统控制算法的低延迟和高可靠性，同时确保可验证的安全属性。对于工业界而言，这意味着短期内应关注LLM在数据治理、文档检索和操作辅助方面的应用，而非盲目追求全自主控制。这一转向不仅有助于降低部署风险，也为后续研究指明了方向，即如何在保证安全的前提下，最大化LLM在复杂物理系统中的辅助价值。