四層，每層做一件事
從傳感器數據到建議的行動
ML — 大腦
讀取高頻傳感器數據以發現人們忽略的模式——振動異常、泵或壓縮機的剩餘使用壽命，以及基於天氣和人流量的冷負荷預測。
RAG — 圖書館
將建議建立在您自己的文件上——OEM 數據表、維護日誌和 P&ID——這樣指導就能反映您的設備和歷史，而不是通用範本。
LLM — 技術員
以簡單明瞭的語言診斷，將機器學習的發現與RAG證據聯繫起來，並起草管理層可以閱讀的報告。
工具使用——手
進入您系統的橋樑：調整設定值、提交工單，或在技術人員到達前檢查備用庫存。
一個實作範例
機器學習報告指出 AHU-10 的馬達溫度過高。RAG 發現 AHU-10 在上個月更換了皮帶。模型推理認為，由於皮帶是新的，高溫更可能是由於張力過大而非磨損——並以簡單明瞭的語言起草這一發現，而不是觸發一般的高溫警報。
傳統 BMS 與 AI 層的比較
當添加 AI 層時會有什麼變化
| 傳統 BMS | 帶有人工智慧層 |
|---|---|
| 反應式 — 當超過閾值時觸發警報 | 預測型 — 在達到閾值前數週檢測到異常 |
| 靜態 — 無論是否有人佔用，皆使用固定的時間表和設定點 | 動態 — 即時設定點優化與峰值削減 |
| 孤立 — 技術人員搜尋紙本或 PDF 手冊 | 整合 — 以自然語言即時存取原廠規格 |
| 由技術人員手工打字的日誌 | 自動記錄的含能源影響指標的摘要 |
| 依賴人工——管理者看到警報並提出工單 | 自動化 — 車票和零件清單會自動準備 |