我国城市轨道交通已全面进入“建设运营并重、以运营为主导”的新阶段，“十五五” 规划明确行业需从“量的积累”转向“质的提升”，降本增效与自主可控成为核心发展目标。针对十四五期间遗留的债务高企、数据孤岛突出、劳动效率偏低、决策滞后等痛点，本文提出基于 Agentic Agent 架构的城轨数据分析智能体技术方案，构建“数据接入 - 治理 - 计算 - 安全 - 服务”全链路架构，融合 ReACT 推理、Self-Refine 优化、MCP 多源协同、CoT 强化 Text-to-SQL等关键技术。通过太原地铁客流分析数字员工、南京地铁隧道防渗水异常监测两大场景验证，该方案可实现全流程自动化处理，大幅缩短业务开发周期、降低人工成本，提升数据利用效率与决策精准度。本文阐述了智能体在降本增效中的核心价值，从运行准确率、算力能耗、智算安全三方面提出优化方向，为城轨行业向数据驱动转型、落地“十五五”发展目标提供技术支撑与实践路径。

1 背景

1.1 城轨行业发展新阶段特征

我国已建成全球规模最大的城轨交通网络，截至2025年12月31日，中国内地累计有58个城市投运城轨交通线路382条，线路长度累计达13071.58公里，其中2025年新增运营线路910.80公里，网络规模持续扩容。城市轨道交通已从大规模建设阶段全面转入“建设运营并重、以运营为主导”的新阶段。随着网络化运营程度不断加深，城轨系统复杂度指数级提升，传统依赖人工经验的运营管理模式，已难以适配千万级客流调度、全生命周期设备运维等核心需求，智能化转型成为必然趋势。

1.2 “十四五”问题复盘与“十五五”路径导向

1.2.1降本增效迫切性

《“十五五”城市轨道交通发展思路研究》复盘显示，“十四五”期间多重问题叠加，降本增效成为城轨行业高质量发展的核心诉求。财务层面，债务高企、财政补贴不足，建设与运营成本刚性上涨，而票务及资源经营收入增长受限，收支缺口持续扩大。运营层面，劳动效率偏低、运能利用失衡，功能超配加剧运维成本，资源浪费突出。技术与资源层面，基础设施与数据资源统筹规划不足，大数据平台碎片化分布，数据共享交换机制不健全，数据价值难以转化，多重阻力倒逼行业必须推进智慧升级和降本增效。

1.2.2 降本增效实施路径

《“十五五”城市轨道交通发展思路研究》针对“十四五”遗留问题，明确多维度降本增效路径。技术上以智慧赋能为核心，建立“感、传、存、算、调”新型基建，推广城轨云、人工智能等技术，通过智能决策与运维优化，实现运力与成本的协同优化；资源上跨线跨区共享，统筹复用大型设施，减少重复投入；财务“节流 + 开源”并重，全生命周期规划避免浪费，推进无人少人值守；人才向复合多能转型，提升数字化技能减少冗余。人工智能体技术适配目标，承接降本路径，助力“十五五”从量到质、从建到运、从线到网转变，为降本增效落地提供支撑。

2 智能体技术业务需求

2.1 人工智能技术在城轨领域的发展态势

随着人工智能技术从智能向智慧迭代升级，AI大模型、智能体、智慧算力等技术日趋成熟，为城轨数字化转型提供了核心支撑。其中，智能体是基于人工智能、大数据及推理引擎技术构建的自主决策执行实体，能够感知外部环境数据、理解业务需求、规划执行路径并自主完成指定任务，是实现业务智能化落地的核心载体。Agent运行机制围绕规划（Planning）、记忆（Memory）、反思（React）、工具（Tool Use）等要素，目前已取得一系列能力突破。

当前，城轨行业对智能化技术的需求已从单一场景试点转向全业务链规模化应用，人工智能技术与城轨业务的深度融合，正成为推动行业从“经验驱动”向“数据驱动”转型的关键引擎，为业务流程优化、资源配置升级提供了全新可能。

2.2 新华三城轨数据分析智能体

新华三集团基于在城轨行业深耕20年的行业理解，精准把握行业数字化转型诉求，在绿洲大数据平台基础上，结合AI大模型能力，开发了城轨数据分析智能体开发平台。该平台以“人工智能+交通”为行动契机，以“算力×联接”为目标理念，整合大数据、大模型技术，有效破解城轨行业数据孤岛突出、人工流程冗余、业务开发周期长、成本管控难度大等核心问题，为城轨企业提供“一站式”AI智能体技术落地支撑，实现技术能力与业务需求的精准匹配，助力行业降本增效目标落地。

图1 城轨数据分析智能体开发平台与城轨云资源关系架构图

2.3 智能体适用场景与业务需求

2.3.1 跨域数据高效调取与关联分析

城轨数据包含行车调度、客流票务、运维管理、环境控制等多个业务维度，传统人工查询和数据调取方式难以实现多维度数据关联分析，严重制约决策效率。基于大模型技术的智能体具有独特行动规划能力，支持跨域数据的直接调取、自动关联与深度分析，无需人工介入即可实现设备、客流、运维等多维度数据的联动挖掘，为精准决策提供全面、高效的数据支撑，大幅提升数据价值转化效率。

2.3.2 替代重复周期性人工工作

城轨运营中存在大量重复性、周期性人工工作，如日常设备巡检、客流数据统计、基础报表编制等，此类工作耗时耗力且占用大量人力成本。智能体可通过预设规则与AI算法，自动完成有逻辑规则的重复性工作，替代人工执行周期性任务，实现24小时不间断作业，如自动开展隧道设备巡检、定时统计客流变化等，既规避了人工操作的主观性与误差，又将员工从繁琐事务中解放，转向高价值决策与技术优化工作，提升整体劳动效率。

2.3.3 业务开发成本优化

传统城轨系统功能开发需投入大量人力、时间成本，且每个业务场景需单独开发适配，存在重复投入、开发周期长、投入成本高等问题。智能体开发平台提供模块化、低代码开发能力，内置城轨行业通用模型与业务模板可复用，快速适配不同业务场景的开发需求，大幅缩短业务开发周期，降低人工研发成本，实现“一次开发、多场景适配”，从时间与人工两方面构建成本优势。

2.3.4 自动化工作成果产出

城轨运营中的分析报告、数据报表、设备检修计划等工作成果，传统模式下需人工整理数据、编制文档，不仅耗时久，且成果质量依赖员工专业能力。应用智能体技术，可自动完成数据采集、分析、整理与成果生成，直接输出标准化的分析报告、可视化数据报表及精准的设备检修计划。智能体能够基于实时数据与历史经验动态优化成果内容，确保成果的准确性、时效性与实用性，替代人工完成全流程成果产出工作，进一步提升运营决策效率与管理精细化水平。

3 城轨数据分析智能体技术方案

3.1 数据分析智能体开发平台概述

城轨数据分析智能体开发平台是面向城市轨道交通行业专属的AI业务应用底座，基于LangGraph框架开发，采用Agentic Agent（自主型 Agent）技术核心架构，构建工具集成、模型推理、业务适配于一体的低代码智能体业务开发环境。作为承接智能体业务的技术载体，平台通过固化Agent逻辑结构与任务处理框架，实现城轨业务数据与智能分析能力的深度融合，支持开发人员快速搭建场景化业务智能体应用，完成从用户意图解析、专业数据分析、报告结果生成的全流程自动化处理。

3.2 核心逻辑框架

3.2.1 Agent核心逻辑结构

平台采用完整的Agent逻辑架构，通过四大工具模块协同联动，实现智能体的自主决策、任务执行与迭代优化，构建闭环运行体系。

1）规划工具：作为智能体“大脑中枢”，结合城轨业务知识与历史经验，拆解任务目标、制定执行策略与工具调用路径，形成结构化方案，并根据实时反馈动态调整，保障行动针对性与连贯性。

2）记忆工具：构建“短期任务记忆+长期业务记忆” 双存储体系。短期记忆记录当前任务执行状态、中间结果等临时信息，支撑实时决策；长期记忆沉淀业务知识、历史案例等固化内容，实现经验复用，为规划与模型优化提供数据支撑。

3）执行工具：作为“操作载体”，动态组合满足任务执行全链路需求：RAG 技术强化分析的专业性与准确性；Text-to-SQL实现自然语言到数据查询的自动化转换；数据分析模型提供多维度挖掘与计算能力；知识图谱工具构建核心业务实体关联网络，助力挖掘隐藏逻辑与潜在风险。

4）反馈工具：实时采集任务执行全流程信息（含工具调用结果、数据校验反馈、需求适配度评估等），为规划工具路径调整与 Self-Refine 技术迭代提供精准输入。

图2 城轨数据分析智能体逻辑架构

3.2.2 标准化任务处理框架流程

城轨数据分析智能体开发平台构建“四步闭环”任务处理流程，确保智能体标准化完成各类数据分析任务，各环节无缝衔接、高效协同。

1）任务理解：通过优化后的 NLP 模型解析自然语言需求，提取分析目标、时间范围、关键指标等核心信息，转化为结构化指令；同时借助 RAG 检索业务规范，校验需求可行性与合理性。

2）数据查询：依据结构化指令，Text-to-SQL 工具自动生成适配城轨数据源的标准化 SQL 语句提取目标数据，同步通过 RAG 检索历史案例与业务知识，为后续分析提供参考。

3）特征分析：调用数据分析模型与知识图谱工具，完成数据统计、指标计算等基础分析及趋势提取、关联挖掘、异常识别等深层分析，输出针对性结论；数据查询与特征分析可重复进行，直至完成全部分析任务。

4）数据报告生成：按行业标准化模板与自定义要求，自动整合分析结论、可视化图表及优化建议，生成结构化报告，支持预览、导出与二次编辑，全程减少人工干预。

图3 智能体运行框架流程

3.3 关键技术支撑体系

1）ReACT 推理与行动融合技术

智能体自主决策核心，以 “观察 - 思考 - 行动” 闭环迭代，交替开展推理与操作，避免盲目调用资源；动态调度多工具适配复杂需求，实时感知数据源、工具状态及需求变化，灵活调整执行路径，保障任务稳定推进。

2）Self-Refine 自我优化技术

构建自主迭代机制，任务初完成后，从数据完整性、指标准确性等多维度校验，定位问题并生成反思提示；将初始结果与提示重新输入模型，引导自我修正偏差，迭代过程同步存入记忆工具，沉淀可复用经验。

3）MCP 多源协同交互技术

搭建标准化交互通道，统一接口规范，实现智能体与城轨多业务系统、第三方工具无缝对接；通过加密传输、权限管控等保障数据安全，整合外部计算资源与服务，支撑跨系统协同分析。

4）CoT技术强化Text-to-SQL技术

用思维链（Chain of Thought,CoT）来强化Text-to-SQL，让大模型在生成SQL之前先完成对业务意图、库表结构、字段语义等要素的隐式推理，进而显著提升解析复杂问题、选择正确表字段以及规避语法错误的能力，增强Text-to-SQL的准确率。

5）数据分析模型体系

平台构建“数据分析算法 + AI 大模型算法”深度融合的模型体系，明确分工协同支撑业务。数据分析算法聚焦单一数据组，开展数学定性计算，涵盖数据统计、指标核算、趋势量化、异常参数提取等基础与深度计算，为分析提供精准数据支撑；AI 大模型算法负责全局逻辑分析，整合多维度计算结果，关联城轨业务知识与场景需求，实现风险研判、规律挖掘、关联推导等高阶分析，最终生成贴合业务的任务结果。

4 关键业务场景适配实践

4.1 太原地铁客流数据分析数字员工

4.1.1 场景需求

场景痛点：太原地铁线路网络化后，客流数据需要定期分析，传统客流周、月报依赖人工检查数据、统计分析及撰写报告，属于重复性且长耗时工作。

解决方案：用城轨数据分析智能体开发平台开发客流数据分析数字员工，自动完成客流数据采集、多维度分析及周 / 月报编制，按周期输出分析报告，覆盖指定核心指标，同时会根据数据变化关联其他业务数据扩展分析，降低人工耗时、提升效率。

4.1.2 业务适配与实现路径

客流数据分析智能体数字员工实现 “目标任务理解 -数据分析处理–分析报告输出” 闭环执行，核心融合多源数据查询、低代码配置、RAG 知识库、Text-to-SQL 及图表报告生成能力，业务开发实现原理如下。

1）任务配置与知识库适配。

通过平台低代码可视化界面，设定客流分析周报、月报的内容规则，明确报告输出格式、指标统计口径及提交节点；同步将客流报告编制规则、指标定义、历史优质报告等导入城轨专属知识库，为智能体提供业务支撑，确保结果贴合运营需求。

2）任务理解与流程规划。

智能体接收指令后，依托 ReACT 推理技术结合知识库规范，自动拆解为 “数据查询→数据校验→算法调用→指标分析→报告生成→成果输出” 的业务流程，无需人工干预，可动态调整工具调用策略适配数据源变化。

3）数据处理与指标分析。

智能体调用Text-to-SQL工具从大数据平台中调取客流数据，按照客流分析基本要素，统计每日线路总客流及趋势、核算车站客流排名、筛选早晚高峰（7:00-9:00/17:00-19:00）TOP10 车站、分析单日客流最大车站 15 分钟分段数据、结合历史数据完成环比同比及运营建议。

4）报告生成与迭代优化。

调用内置标准化模板，整合分析数据、可视化图表及建议，生成结构化报告并支持多格式导出；通过 Self-Refine 技术，对照知识库规范校验数据准确性、指标完整性、格式规范性，自动修正偏差。

4.1.3 场景成效

该智能体数字员工落地后，显著提升了太原地铁客流报告编制效率与质量，实现降本增效目标。效率层面，客流周报编制时间从传统人工1-2个工作日缩短至2小时内，月报编制时间从3个工作日缩短至4小时内，报告生成效率提升85%以上；质量层面，数据统计误差率从人工操作的5%-8%降至1%以下，指标统一性与报告规范性大幅提升。成本层面，替代1-2名专职数据统计与报告撰写人员的重复性工作，将其解放至客流优化、运营决策等高价值岗位。同时，标准化、高频次的客流分析报告为太原地铁运力调配、站点运营优化提供精准数据支撑，助力进一步提升运营效率与乘客出行体验。

4.2 南京地铁隧道防渗水异常监测智能体场景

4.2.1 场景需求

场景痛点：部分线路穿越长江漫滩，隧道易受地下水影响出现渗水、裂缝；隧道激光雷达扫描（半年/一年一次）难捕捉突发劣化，人工巡检效率低、漏检率高，存在安全监测盲区。

核心需求：依托数据分析智能体开发平台打造隧道防渗水异常检测智能体，融合多源数据、补充异常检查方法、提升监测频次，构建 “定期激光扫描 + 实时智能监测” 立体化体系，兼顾慢性病害排查与突发劣化预警，全面保障隧道安全运行。

4.2.2 业务适配与实现路径

隧道防渗水异常检测智能体核心是应用各类监测数据实现关联，通过量化指标计算研判渗水趋势与区间设备故障风险，在不增加人工负担的情况下，将检查密度从长周期变为短周期，加强行车安全保障能力。

1）数据整合

一方面将激光雷达扫描获取的隧道结构慢性病害点位数据集成到大数据平台，构建完整的隧道结构病害基础档案；另一方面通过 MCP 多源协同交互技术，对接综合监控系统，获取区间水泵运行状态数据，结合城轨知识库中预设的泵站位置、设备信息等标准参数，为指标计算与风险分析提供数据支撑，打破单一激光雷达技术的监测局限。

2）业务指标及判断逻辑

智能体通过三类指标量化分析，实现区间渗水趋势与设备故障精准识别：

◆每日水泵启停次数：因集水坑体积固定，启泵次数直接反映渗水量变化，智能体通过 Text-to-SQL 技术自动统计，若频次持续增长，即表明渗水量逐步增大。

◆每日水泵平均启停间隔：正常工况下该时长相对稳定，智能体通过数据分析模型计算，若间隔异常偏大或偏小，结合 RAG 知识库中的故障案例，可判定水泵存在机械磨损、管路堵塞等问题。

◆每日水泵累计运行时长：从另一维度佐证排水量与水泵负荷，与启停次数交叉校验，趋势一致则强化研判结论。

3）任务执行流程

智能体以一周为运行周期，采用“病害点核查–数据指标研判-多维度趋势分析”的任务流程，构建闭环执行机制。

◆病害点核查：智能体启动后，通过 MCP 技术调取最新激光雷达扫描数据，结合 RAG 知识库中的慢性病害档案，精准定位渗水病害点位置与范围，同时检索人工检查历史数据，整合形成完整的病害点基础台账；

◆数据研判：调取综合监控系统的水泵运行数据，自动计算三大核心指标，结合集水坑体积、水泵额定工况等参数，判断各病害点的渗水变化趋势及水泵故障风险；

◆多维度趋势分析：累积每周运行数据，自动生成周、月、季度、半年及年度趋势结果，动态追踪病害劣化规律与水泵状态变化，提前预判安全隐患。

4）报告生成与闭环处置

分析完成后，智能体依托大模型报告生成能力，整合隧道病害数据核查结果、区间水泵指标计算结论、趋势曲线及处置建议，生成隧道渗水异常分析报告；未来可通过 MCP 技术与城轨信息管理系统无缝对接，自动上传报告至指定模块，同时标记高风险隐患，联动运维管理平台推送预警信息及最优检修方案，形成 “数据核查 - 指标研判 - 趋势分析 - 报告上传 - 预警处置” 的完整闭环，确保隐患与故障及时响应处置。

4.2.3 场景成效

智能体有效弥补了传统隧道检测技术在异常风险突发劣化中的短板，构建起立体化安全保障体系：既保留了激光雷达对慢性病害的排查优势，又实现了病害突发劣化的短周期趋势识别，漏检率降至2%以下；监测频次大幅提升，突发劣化响应处置时间从传统人工发现的数天缩短至2小时内，解决了应急滞后性问题。同时应用智能体技术的业务开发难度降低，开发人员成本亦同时降低；智能体减轻了运营人员的工作压力，隧道监测任务不再给运营增添过重负担。

5 系统优化方向

5.1 智能体运行准确率升级

针对城轨复杂场景下数据解读偏差、业务适配不足等问题，应从三方面提升：一是优化数据质量管控，建立专属数据清洗校验规则，自动处理多源数据异常与缺失，从源头降偏差；二是迭代算法精度，微调推理算法，优化 ReACT 任务拆解与 Self-Refine 修正机制，结合知识图谱动态更新强化关联挖掘；三是构建业务校准体系，引入人工反馈闭环，转化运维调度经验为校准规则，建立分场景评估指标定期优化。

5.2 算力能耗优化

针对人工智能应用算力需求大、能耗偏高问题，可从架构与算法双端优化：架构上深化模型能力，探索业务需求与模型参数最优配比，探索模型轻量化技术，减少算力消耗；区分业务属性，通过算力调度实现峰谷动态分配，分时共享算力资源，提升利用率。

5.3 智算安全强化

面向数据敏感性与业务安全要求，构建完善智算安全体系：一是引入联邦学习实现多线路数据“可用不可见”，强化隐私保护；二是建立模型对抗测试机制，防范投毒、规避攻击等风险，保障输出可信；三是建立智算与大模型安全审计，监测提示词合规和算力劫持等行为。

6 结论与展望

契合 “十五五” 城轨 “从量到质、降本增效” 核心目标，针对行业数据孤岛、人工冗余等痛点，构建城轨数据分析智能体，用数据赋能关键业务智慧升级，经太原地铁客流分析、南京地铁隧道监测场景验证，可行性与适配性突出。智能体以全流程自动化、多源数据协同等优势，大幅缩短开发周期、替代重复人工，实现成本节约与效率提升双重突破，为行业向数据驱动转型提供关键支撑。

未来将聚焦技术优化，提升准确率、降低能耗、强化安全；拓展至车辆运维、行车优化等全场景；推动行业标准共建，深化 AI 与城轨业务融合，助力 “十五五” 智慧运营目标落地。