# 为电力领域提质增效：基于 PowerContext 的领域智能体改造思考 (https://powercontext.oceanbase.io/zh/blog/power-system-agent-memory/)

> 电力系统智能体不能只完成一次问答或一次诊断。面对持续变化的运行数据、复杂的故障分析过程和跨班次的任务执行，我们围绕 LangGraph 构建了一套 Agent Runtime：由 LangGraph 统一编排工作流，Context Manager 管理当前推理上下文，Memory Manager 沉淀跨任务经验，Task Manager 管理任务状态与恢复。

---

## 01 为什么电力智能体需要 Memory？ [#01-为什么电力智能体需要-memory]

我们正在做的电力智能诊断平台，面向某地港口电力系统的运行分析与故障诊断。用户选择一个智能体后，系统会调用大模型、知识库、数据库和领域算法，执行多步分析，最后生成诊断结论、图表和报告。

这类任务和普通聊天不太一样。

一次故障诊断可能要先读取遥测、遥信数据，再查询设备拓扑、历史告警和相关规程；分析过程中还会产生候选故障原因、排除结论和新的数据需求。任务结束后，诊断结果和检修情况又可能成为下一次分析的重要参考。

如果每次任务都从零开始，历史案例就只能留在日志里；如果把所有历史内容都塞进 Prompt，又容易带来上下文冗余、数据过期和事实混淆。任务执行到一半遇到服务重启，也不能简单地从头再跑一遍。

所以，我们把 Agent Memory 放在整个 Agent Runtime 中考虑，重点解决三个问题：

- **Context：** 当前这次推理应该看到什么？
- **Memory：** 过去哪些事实和经验值得保留，并在新任务中复用？
- **Task：** 当前任务执行到哪里了，中断后如何准确地继续？

这三个部分职责不同，但会在一次诊断任务中协同工作。整体上，我们使用 LangGraph 负责工作流编排，在 LangGraph 周围组织 Context Manager、Memory Manager 和 Task Manager。

## 02 先看现有系统：LangGraph 编排六类电力智能体 [#02-先看现有系统langgraph-编排六类电力智能体]

目前平台包含六类业务智能体：

| 智能体 | 主要职责 |
|---|---|
| 风险分析智能体 | 面向电力系统的通用风险分析 |
| 电流类故障诊断智能体 | 读取遥测、遥信数据，完成聚类、证据整理、故障判型与报告生成 |
| 电能质量风险分析智能体 | 分析电能质量事件、功率关联与谐波问题 |
| 谐振风险分析智能体 | 开展谐波谐振校核 |
| 电缆绝缘风险分析智能体 | 结合局放、温度、绝缘电阻等信息评估绝缘风险 |
| 系统运行风险分析智能体 | 结合运行快照、告警和拓扑分析系统运行风险并给出处置建议 |

现有诊断后端使用 LangGraph 组织多节点流程。每个智能体由 State、Graph 和 Nodes 等部分组成：

- **State** 定义贯穿流程的数据结构；
- **Graph** 负责组装节点、边和条件路由；
- **Nodes** 执行数据读取、分析判断、知识检索和报告生成等具体工作。

数据访问通过 MCP 子服务完成，覆盖数据库、RAGFlow 知识库、标准规程、电缆数据和谐振校核等能力。模型侧使用本地部署的 Qwen，嵌入侧使用 BGE-M3；知识服务包括 RAGFlow 和本地 Wiki；负荷预测、电缆局放识别等数值分析则由独立的领域算法服务提供。后端通过 SSE 将工作流步骤、诊断结果、图表和报告内容持续推送给 Vue 前端。

这套技术栈已经覆盖了业务智能体运行所需的主要能力。我们没有另起一套编排框架，而是保留 LangGraph 作为工作流核心，把 Memory 能力组织在现有架构之上。

## 03 整体架构：LangGraph 做编排，Runtime 管上下文、记忆和任务 [#03-整体架构langgraph-做编排runtime-管上下文记忆和任务]

先看整体结构：

![面向电力系统的 LangGraph 多智能体技术架构](https://powercontext.oceanbase.io/docs-assets/blog/power-system-agent-memory/power-system-agent-architecture.png)

*图 1：面向电力系统的 Agent Runtime。LangGraph 统一编排业务智能体，并调用上下文、记忆和任务管理能力；底层连接本地模型、知识服务、数据与领域算法。*

整个架构分成四层：

**第一层：业务智能体。** 风险分析、电流故障、电能质量、谐振、电缆绝缘和系统运行六类智能体承载具体业务任务。

**第二层：工作流编排。** LangGraph 负责节点执行、条件路由和工作流状态流转。MCP 将数据库、知识库、标准规程和领域工具统一接入；SSE 将执行进度和结果推送到前端。

**第三层：Agent Runtime。** Context Manager、Memory Manager 和 Task Manager 分别负责当前推理上下文、跨任务记忆和业务任务生命周期。

**第四层：基础设施。** 本地 Qwen 提供模型推理，BGE-M3 提供向量表示，RAGFlow 和 Wiki 提供知识检索，数据库保存业务数据，领域算法服务承担专业数值计算。

这里有一个很重要的边界：**LangGraph 管流程，三个 Manager 管领域状态和数据。** LangGraph 决定下一步执行哪个节点；Context Manager 决定本轮模型调用需要哪些信息；Memory Manager 决定哪些历史经验可以复用；Task Manager 维护任务生命周期、执行结果和恢复过程。

它们不是互相替代的关系，而是由 LangGraph 在工作流节点中调用和协同。

## 04 Context Manager：每次推理前，先把上下文准备好 [#04-context-manager每次推理前先把上下文准备好]

电力诊断任务的数据来源很多：实时遥测、遥信、告警、设备台账、拓扑、历史案例、规程知识，以及模型在分析过程中产生的假设。如果把这些内容直接拼成一大段 Prompt，模型很难区分哪些是当前事实、哪些是历史信息、哪些只是推断。

因此，我们把上下文设计成结构化对象，而不是一段不断增长的聊天记录。

### 4.1 上下文里保存什么？ [#41-上下文里保存什么]

一次诊断任务的上下文主要包含：

- 任务目标、任务标识和当前执行阶段；
- 当前已确认的事实；
- 尚待验证的诊断假设；
- 关键证据及其引用 ID；
- 已完成步骤和待处理事项；
- 相关知识、历史记忆和任务约束；
- 当前模型调用的 Token 预算。

例如，Context Manager 维护的上下文可以抽象成下面的结构：

```python
class AgentContext(TypedDict):
    task_id: str
    task_goal: str
    task_status: str

    conversation_summary: str
    current_step: str

    confirmed_facts: list
    diagnosis_hypotheses: list
    evidence_refs: list

    completed_steps: list
    pending_steps: list

    knowledge_refs: list
    constraints: list
    token_budget: int
```

这里最关键的是把**事实和推断分开**。例如，“某测点温度为 85.2℃”是带有数据来源和时间戳的观测事实；“设备可能存在散热异常”是需要进一步验证的诊断假设。二者在上下文中有不同的位置和状态，不会因为经过多轮模型推理就混为一谈。

### 4.2 用 evidence_id 把结论和原始数据连起来 [#42-用-evidence_id-把结论和原始数据连起来]

我们不只保存模型生成的自然语言描述，而是通过 `evidence_id` 关联原始数据。证据对象包含来源、设备、采集时间、数据类型、数值、质量和有效期等信息：

```json
{
  "evidence_id": "EV-001",
  "source": "SCADA",
  "equipment_id": "TRANSFORMER-01",
  "timestamp": "2026-10-30T10:30:00+08:00",
  "data_type": "temperature",
  "value": 85.2,
  "unit": "℃",
  "quality": "valid",
  "valid_until": "2026-10-30T10:35:00+08:00"
}
```

模型上下文中保存证据摘要和引用 ID，完整原始数据保存在外部存储中。生成报告时，可以根据引用 ID 找回证据；任务恢复时，也可以检查证据对应的时间范围和有效状态。

这对电力场景尤其重要：运行数据具有时效性，昨天有效的数据不一定能支撑今天的判断。

### 4.3 上下文如何筛选和压缩？ [#43-上下文如何筛选和压缩]

上下文不是越多越好。我们在构建上下文时综合考虑四个维度：

1. **任务相关性：** 是否直接服务于当前诊断目标；
2. **时间有效性：** 数据是否仍处于有效时间范围；
3. **可信度：** 来源是否可靠，记忆是否经过验证；
4. **诊断价值：** 是否有助于区分候选故障原因或决定下一步动作。

信息召回结合元数据规则、关键词检索和向量检索完成。组装时再按照重要程度分配 Token 预算，避免简单截断导致关键证据丢失。

上下文压缩采用结构化摘要：保留阶段性结论、关键证据引用、已排除原因和待解决问题，同时保留原始证据的索引。**摘要保存的是结论和过程索引，不能代替原始证据。**

LangGraph State 只保存当前工作流需要的状态、摘要和外部数据引用，不无限堆积历史工具返回结果。每次 LLM 节点执行前，由 Context Manager 根据当前任务状态重新组装模型输入。

## 05 Memory Manager：把一次次诊断变成可复用经验 [#05-memory-manager把一次次诊断变成可复用经验]

Context Manager 解决的是“本轮推理看什么”，Memory Manager 解决的是“哪些信息值得跨任务保存，以及下一次如何用起来”。

我们不把 Memory 理解成完整日志，也不保存所有聊天记录。真正值得沉淀的是经过整理、能够追溯来源，并且在相似任务中有复用价值的事实和经验。

![从运行证据到经验证经验的记忆提取、验证与复用流程](https://powercontext.oceanbase.io/docs-assets/blog/power-system-agent-memory/memory.svg)

### 5.1 短期记忆与长期记忆 [#51-短期记忆与长期记忆]

**短期记忆**服务于当前任务，记录任务目标、执行进度、已经采集的数据引用、当前诊断假设、验证结果、已排除原因和待处理事项。它随着任务推进不断更新，与 LangGraph State 和 Checkpointer 配合，支撑当前工作流连续执行。

**长期记忆**面向不同任务之间的复用，保存历史故障案例及检修结果、设备异常特征、典型故障模式、经验证的诊断路径，以及专家规则和专业处置经验。

二者的边界很清楚：短期记忆跟着当前任务走，长期记忆能够被其他任务检索和复用。

### 5.2 Fact Memory 与 Experience Memory [#52-fact-memory-与-experience-memory]

长期记忆中，我们区分事实记忆和经验记忆：

| 类型 | 保存内容 | 示例 |
|---|---|---|
| Fact Memory | 已确认的客观事实 | 某次检修确认冷却风机故障 |
| Experience Memory | 场景、行动、结果和可复用经验 | 某类温升与振动组合出现时，优先检查冷却系统 |

经验记忆采用“场景—行动—结果—经验”的方式组织：

```json
{
  "memory_id": "MEM-001",
  "type": "experience",
  "scenario": "特定负荷下温升与振动同时异常",
  "action": "检查冷却系统及相关告警",
  "result": "检修确认冷却风机故障",
  "lesson": "该类异常组合可作为冷却系统故障的排查线索",
  "source_ids": ["EV-001", "WORKORDER-009"],
  "confidence": 0.92,
  "status": "Verified"
}
```

每条记忆都是独立的原子单元，可以单独检索、更新、合并和失效。记忆保留 `source_ids`，让它始终能够关联到原始证据或检修记录。

### 5.3 记忆提取与验证 [#53-记忆提取与验证]

一条诊断任务完成后，Memory Extractor 从任务记录、诊断结论和检修结果中提取候选记忆。候选记忆进入 Memory Validator，结合数据、规则、历史案例和最终结果进行验证；无法自动确认的内容进入 Review Inbox，由专业人员补充证据或审核。

![记忆验证流程：候选提取、证据校验、专家审核与复用](https://powercontext.oceanbase.io/docs-assets/blog/power-system-agent-memory/memory-validation.svg)

记忆在生命周期中有明确状态：

| 状态 | 含义 | 是否参与正常诊断检索 |
|---|---|---|
| Candidate | 刚提取出的候选记忆 | 否 |
| Pending | 等待验证或审核 | 默认否 |
| Verified | 已通过验证，可作为可信经验复用 | 是 |
| Rejected | 验证不通过或被审核拒绝 | 否 |
| Retired | 已过期、被新知识替代或不再适用 | 否 |

验证不是让提取记忆的 LLM 自己宣布“正确”。Memory Validator 会检查记忆是否有真实运行数据支撑、是否符合设备逻辑和专业规则、是否有相似案例，以及是否得到后续检修结果确认。每次验证都记录依据、规则版本、验证时间和验证结果。对于高风险知识，专业人员审核和权威业务结果是可信记忆的重要依据。

### 5.4 记忆怎么检索？ [#54-记忆怎么检索]

新任务到来时，Memory Manager 根据设备类型、设备 ID、故障类型、区域、运行工况和时间等元数据缩小范围，再结合关键词和向量相似度召回相关记忆。

排序时综合考虑语义相关性、证据完整度、验证状态和有效期。正常诊断上下文只注入 Verified 且仍然有效的记忆；Pending 内容保留在审核流程中，不与可信经验混用。

### 5.5 PowerContext 给我们的启发 [#55-powercontext-给我们的启发]

PowerContext 的价值在于把 Agent 的上下文和记忆作为独立的工程对象来管理，而不是把它们混在对话历史里。结合电力诊断业务，我们重点吸收了这些设计思想：

| PowerContext 思想 | 在电力智能体中的对应设计 |
|---|---|
| Source 与 Memory 分离 | 原始运行数据、告警和检修记录作为来源；提炼后的记忆独立存储 |
| Atomic Memory | 每条记忆独立检索、更新、合并和失效 |
| Memory / Experience | 区分已确认事实与场景—行动—结果经验 |
| Review Inbox | 候选记忆经验证或人工审核后进入可信记忆库 |
| Prepared Context | 记忆召回后经过过滤、排序和预算控制，再交给模型 |
| Scope | 按全局、区域、变电站、设备等范围组织记忆 |
| Handoff | 保存跨班次、跨 Agent 的任务交接信息 |

其中，Scope 负责记忆的组织和检索范围，不代替系统本身的身份认证和权限控制。

## 06 Task Manager：让任务中断后还能接着跑 [#06-task-manager让任务中断后还能接着跑]

电力诊断不一定是一个短请求。比如“某变电站 110kV 母线出现电压异常，请分析故障原因并生成诊断报告”，执行过程可能包括数据采集、拓扑查询、告警关联、故障假设分析、补充数据等待、结果验证和报告生成，整个过程可能持续几分钟、几小时，甚至跨越多个班次。
因此，我们把任务管理独立出来，由 Task Manager 维护业务任务生命周期，并与 LangGraph 的工作流状态配合。

### 6.1 任务生命周期状态机 [#61-任务生命周期状态机]

任务生命周期使用状态机描述：

![任务生命周期：等待、恢复、完成与失败之间的状态转换](https://powercontext.oceanbase.io/docs-assets/blog/power-system-agent-memory/task-lifecycle.svg)

这里区分两种状态：

- **任务生命周期状态：** CREATED、RUNNING、WAITING、COMPLETED、FAILED，描述整个业务任务处于什么阶段；
- **工作流执行状态：** 当前运行到 `collect_data`、`analyze_fault` 还是 `verify_hypothesis`，描述 LangGraph 图执行到哪个节点。

一个任务处于 RUNNING，不代表它一定正在执行 LLM 节点，也可能正在等待外部数据接口返回。两类状态分别维护，避免业务状态和图执行状态混在一起。

### 6.2 LangGraph 负责工作流状态流转 [#62-langgraph-负责工作流状态流转]

LangGraph 的 State、Checkpointer、Interrupt 和 Conditional Edge 组成任务执行的核心机制：

- **State：** 在节点之间传递任务目标、当前阶段、诊断假设、证据引用和待执行事项；
- **Checkpointer：** 持久化工作流状态，通过 `thread_id` 找回对应执行线程；
- **Interrupt：** 在需要补充信息或人工审批时暂停工作流，条件满足后再恢复；
- **Conditional Edge：** 根据数据完整性、诊断结果和审批状态决定下一步执行路径。

`task_id` 和 `thread_id` 分别承担不同职责：`task_id` 标识业务层面的诊断任务，`thread_id` 标识 LangGraph 的工作流线程。两者建立映射，但不混为一个概念。

State 中保存当前流程真正需要的信息，例如任务目标、当前步骤、诊断假设、关键结果和证据 ID。大量原始电力数据与完整工具返回结果保存在外部存储中，避免 State 无限膨胀。

### 6.3 Checkpoint、Task Store、Evidence Store、Operation Store [#63-checkpointtask-storeevidence-storeoperation-store]

工作流恢复不仅需要知道“执行到哪一步”，还需要知道“这一步具体产生了什么结果”。因此，任务相关的数据分开保存：

| 存储 | 保存内容 | 作用 |
|---|---|---|
| Checkpointer | LangGraph State 与节点执行位置 | 恢复工作流 |
| Task Store | 任务 ID、生命周期状态、进度、时间和异常信息 | 管理业务任务 |
| Evidence Store | 原始证据、采集结果及其元数据 | 还原任务依据 |
| Operation Store | 外部操作、执行状态、结果和幂等键 | 避免重复执行 |

例如，数据采集节点已经完成，但服务在后续分析时崩溃。恢复时不仅要知道“数据采集已完成”，还要知道采集结果对应哪个 `evidence_id`、数据时间范围是什么、来源是什么。

### 6.4 为什么还要 Operation Store？ [#64-为什么还要-operation-store]

这里有一个容易被忽略的问题：Checkpoint 和外部操作并不是天然一致的。

假设智能体调用外部系统发送告警，外部系统已经成功执行，但智能体还没来得及保存新的 Checkpoint，服务就崩溃了。恢复后，工作流可能再次执行发送告警节点，造成重复操作。

因此，对具有外部副作用的工具调用，我们通过 Operation Store 记录操作状态和幂等键。任务恢复时，先检查操作记录，再决定是否重试。涉及业务影响的操作同时经过权限校验和必要的人工审批，执行过程保留审计记录。

这套机制把工作流状态和外部操作结果关联起来，避免仅凭 Checkpoint 判断外部操作是否执行成功。

### 6.5 恢复时还要重新检查数据时效 [#65-恢复时还要重新检查数据时效]

电网运行数据会持续变化。假设智能体昨天查询到某条线路的电流数据，今天服务恢复后继续分析，昨天的数据可能已经不能代表当前运行状态。

所以任务恢复时，会重新检查原始数据是否仍然有效、设备状态是否变化、拓扑和运行方式是否改变，以及原来的诊断假设是否仍然成立。必要时重新采集数据，再继续后续分析。

**任务恢复不只是恢复程序执行位置，还要恢复任务的业务语义和当前有效依据。**

![任务持久化与恢复流程，以及检查点、操作存储和证据存储的关系](https://powercontext.oceanbase.io/docs-assets/blog/power-system-agent-memory/task-recovery.svg)


## 07 三个 Manager 如何在一次诊断中协同？ [#07-三个-manager-如何在一次诊断中协同]

把前面的设计放到一次完整诊断里，整体流程如下：

![完整诊断流程：上下文、记忆、证据与任务管理的协作](https://powercontext.oceanbase.io/docs-assets/blog/power-system-agent-memory/diagnosis-workflow.svg)

一次诊断请求从 Task Manager 创建任务开始，LangGraph 根据业务类型路由到对应智能体图。每次进入模型节点前，Context Manager 组装当前任务上下文；节点通过 MCP 调用数据库、知识库和领域工具，产生的证据进入 Evidence Store。

当数据不足或需要人工介入时，Task Manager 将业务任务置为 WAITING，LangGraph 通过 Interrupt 暂停执行。条件满足后，任务恢复并重新校验关键证据，再继续分析。诊断完成后，系统生成报告，Memory Manager 从任务结果中提取候选记忆，经过验证或审核后保存到 Memory Store，Task Manager 最后完成任务归档。

这样，LangGraph 负责把流程串起来，三个 Manager 分别处理上下文、记忆和任务状态，底层技术服务继续提供模型、数据、知识和算法能力。



## 08 写在最后 [#08-写在最后]
本地部署环境下，性能评价也不只看 Token 数量。我们同时关注诊断准确性、证据覆盖率、记忆检索质量、检索延迟、端到端响应时间、模型推理效率和本地算力利用率。

面向电力系统的 Agent Memory，不是简单增加一个向量数据库，也不是把所有历史对话都保存下来。它需要把当前推理、跨任务经验和长周期任务执行组织成一套完整的运行机制。

我们希望电力智能体不只是完成一次诊断，而是能够在连续任务中积累经验、追溯依据、处理中断，并在运行数据变化时及时更新判断。这正是 Agent Memory 在垂直行业工程实践中的价值。
