2025年7月，Computers and Chemical Engineering 在线刊发了浙江大学控制科学与工程学院工业智能与系统工程研究所陈曦教授课题组的研究论文，题目为《从提示词设计到迭代式生成：将LLM应用于PSE问题》（From Prompt Design to Iterative Generation: Leveraging LLMs in PSE Applications）   https://doi.org/10.1016/j.compchemeng.2025.109282

作为尚在快速发展的人工智能工具，LLM(Large Language Model)被公认拥有重塑诸多行业工作模式的潜力，这之中包括流程行业。“AI + PSE”工作模式允许PSE（Process System Engineering）工程师将头脑中的概念设计传递给AI工具，由AI工具直接生成一个完整的综合解决方案。这使得PSE工程师只需要关注解决方案中与常规体系与众不同的特点，而不再需要关心其与常规体系一致的部分细节。通过LLM进行PSE问题分析与求解将极大地提升问题求解的效率，使得个体工程师能够调用强大的AI工具来辅助自己的工作，为PSE的进一步发展提供助力。

然而，流程工业的问题分析与求解存在诸多限制条件，使得LLM不能被直接应用于PSE问题：1）大语言模型所提供的答案基于概率生成，即其答案总是会有小概率发生错误，这无法被工业应用所接受；2）即便经过了模型蒸馏等简化手段，大语言模型的在线运行依然将消耗可观的计算资源，而这通常超出了工业应用所能提供的上限。

图1 基于通用模块生成的LLM求解PSE问题工作模式

针对上述困难，浙江大学陈曦教授课题组选择通过LLM生成针对一类PSE问题的通用求解范式，在经历相关测试后，将功能模块应用于实际的PSE问题。这种模式避免了概率生成导致的错误，也不必将LLM部署于在线运行的工业服务器。

为了使LLM生成符合条件的通用功能模块，合理的问题描述(Prompt)和交互策略是这项工作的关键。研究总结了三点PSE工程师最常见的交互问题：1）问题表达不清。一个完整的PSE问题往往包含了若干求解所必须的信息与数据，如果不提供完备，LLM生成的模块将无法保证通用性；2）问题逻辑复杂。经过了半个世纪的发展，PSE的许多经典求解策略包含了若干以特定逻辑次序相互配合的子策略，而LLM难以生成完整的对应上述策略的模块；3）问题复杂度不确定。PSE问题，例如流程可视化，会涉及到大量的技术细节。这些细节往往难以一次性在Prompt中完整表述。

作为应对，研究给出了三种对应的解决办法：1）以标准结构规划问题表达。通过指令(Instruction)，诠释(Context)，输入(Input)和输出(Output)的四部分结构，使得Prompt规范而清晰；2）以任务链处理复杂逻辑任务。基于PSE的问题解法，通过在Prompt中将一个问题拆解为若干拥有特定逻辑次序的子问题，确保LLM能够给出求解问题的通用模块。3）以迭代生成应对任务不确定性。通过迭代式地与LLM交互，增添式地提供信息，并持续指引LLM，获取所需要的问题求解模块。

研究给出了三个基于LLM开发的PSE通用问题求解模块，分别对应了系统分解（图2）、流程解析（图3）和流程可视化（图4）三种PSE的经典问题。在这些案例中，通过使用所涉及的交互方式，LLM能够提供轻量化的通用求解模块。这些模块以离散化流程事件矩阵为输入，以指定的求解/表征结果为输出。经测试，这些功能模块能够在多种不同的流程条件下正确完成求解/表征，且具备所要求的通用性。

1)      系统分解模块

图2 系统分解模块测试结果

图2展示了系统分解模块的运行结果，其中第一列为模块输入，第二列为模块输出，第三列是用于对比的手绘流程结构。图2选用了五个经典的流程进行测试，在各类流程中，系统分解模块都能够准确识别循环结构所包含的设备。

2)      流程解析模块

图3 流程解析模块测试结果

图3展示了流程解析模块的运行结果，上半部分图片中第一列为模块输入，第二列为模块输出，第三列是用于对比的手绘流程结构；下半部分图片绘制了流程解析模块所指定的撕裂流股。可见，对五种经典流程结构而言，流程解析模块均能够准确判断撕裂流股位置，并基于此给出流程求解次序。

3)      流程可视化模块

图4 流程可视化模块测试结果

图4中包含了两张子图，其中子图1是工业流程图; 子图2是由LLM生成的通用模块绘制的流程图。可见，通过输入流程事件矩阵，可视化模块能够给出正确反应流程结构的连接图。

在合理交互方式和通用模块的基础上，LLM同样完成深层次的流程分析与综合任务。研究展示了两个使用LLM独立完成流程分析任务的案例。在流程模拟案例中（图5），LLM基于已生成的通用功能模块，为特定的流程给出了完整的序贯求解模块；在换热器网络设计案例中（图6），LLM从零开始，为指定的换热要求给出了基于夹点设计的换热器网络设计方案。需要指出，这些案例同样要求LLM生成代码形式的解决方案，并以轻量化代码执行问题求解。

图5 流程模拟案例

图5中，上半部分图片为提供给LLM的流程信息，也即是流程模拟的已知信息；下半部分图片为模块输出，其中左半部分为求解结果，右半部分为绘制的流程结构图。可见，LLM正确地按照序贯求解思路完成了流程模拟。

图6 换热器网络设计案例

图6中，左半部分图片为提供给LLM的流程信息，也即是换热器网络设计的已知信息；右半部分图片为模块输出。可见，LLM正确地按照夹点设计思路完成了换热器网络设计，并详细地给出了不同温度区间的换热负荷。

文献地址：

Xinyu Tao, Anjan Tula, Xi Chen. From Prompt Design to Iterative Generation: Leveraging LLMs in PSE Applications, Computers & Chemical Engineering, 2025, 202: 109282.

https://doi.org/10.1016/j.compchemeng.2025.109282