公共安全大模型能做什么：从知识问答到预警研判、工单分派和复盘分析

公共安全大模型这几年被频繁提起，但真正落到城市安全、应急管理、城市生命线这些场景里，它不是一个“什么都能问”的聊天窗口。它更像一个接在业务系统后面的智能工作层：能读懂预案、标准、工单和监测数据，能把分散信息整理成处置线索，能辅助研判风险，也能把事件处置过程沉淀成下一次可复用的经验。

如果只把大模型当成问答助手，它的价值会被低估；如果把它当成自动决策机器，风险又会被放大。公共安全领域的要求很清楚：结论要可追溯，处置要有责任主体，预警要能解释，重大决策必须有人把关。大模型可以提高信息处理和协同效率，但不能替代制度、预案、专家和现场确认。

国务院印发的《现代化应急体系建设“十五五”规划》强调，要推动治理模式向事前预防转型，健全大安全大应急框架下的应急指挥机制，加强监测预报预警和全链条重点行业领域安全整治。1这正是公共安全大模型适合切入的方向：不是单点炫技，而是服务“监测、预警、处置、复盘”的完整链条。

图源：中科复兴城市生命线方案素材，展示城市生命线、公共安全事件和空间态势的综合呈现。

一、公共安全大模型首先要解决“知识可用”

公共安全业务有大量知识：法律法规、技术标准、地方预案、行业规范、设备说明、历史案例、事故调查、巡检手册、专家经验、值班制度、联动规则。问题是这些知识通常分散在不同部门、不同文件夹和不同系统里，基层人员真正需要时，很难快速找到准确答案。

大模型适合做的第一件事，是把这些资料变成可检索、可问答、可追溯的知识库。比如值班人员可以问：“燃气浓度报警后第一步该通知谁？”“有限空间作业现场需要核查哪些条件？”“某类桥梁位移异常应该对应哪一级预警？”系统不应只给一句笼统回答，而应引用相关预案、条款、流程节点和历史处置记录。

这里的关键是 RAG，也就是检索增强生成。模型先从本地知识库里找出相关文档片段，再基于这些片段生成回答。相比直接让模型凭参数记忆回答，RAG 更适合公共安全场景，因为它可以把答案来源、版本和适用范围展示出来，减少凭空生成的风险。

智能体平台相关技术资料通常把 RAG、Workflow 和 Agent 看作复杂业务落地的三类核心能力：RAG 负责接入外部知识，Workflow 负责把流程规则固化下来，Agent 负责在受控范围内调用工具和系统。2公共安全大模型也需要这三件事，而不是只追求模型参数规模。

二、知识问答不能停在“会回答”，还要能进入业务

公共安全知识问答最常见的误区，是问答系统答得很顺，但答完就结束。值班人员真正需要的不是一段漂亮文字，而是下一步动作：是否生成工单，是否升级预警，是否通知权属单位，是否关联附近风险源，是否调取现场视频。

因此，知识问答要和业务系统打通。问到“某燃气站点压力异常怎么处置”，系统应能同时查看站点台账、实时压力曲线、历史报警、附近施工、应急联系人和预案条款；问到“道路积水风险如何判断”，系统应能关联雨量、水位、泵站运行、易涝点、道路交通和排水管网能力。

中科复兴的城市生命线架构中，“一库”包含支撑库、业务库、模型库、案例库、知识库，“N应用”覆盖全域概览、风险监测、预警研判、联动处置、监督管理、运营管理等场景。3这类架构的意义在于，大模型不是孤立入口，而是要站在数据、模型和应用之上，成为业务人员可以调用的智能中枢。

图源：中科复兴公共安全数据融合方案素材，展示 GIS、视频、物联、业务系统和数据中台的融合关系。

三、预警研判不是让模型“猜”，而是让证据聚合

公共安全预警常常不是单个指标决定的。燃气泄漏要看浓度、压力、风向、管网拓扑、施工扰动和人口密度；排水内涝要看雨量、水位、泵站、地势、管网能力和历史积水；桥梁风险要看位移、应变、裂缝、车流荷载和养护记录。

大模型在预警研判中的价值，不是替代专业模型计算，而是把多类证据组织起来。专业算法给出异常检测、风险评分、扩散模拟或水力计算结果，大模型负责解释“为什么是这个等级”“还缺哪些信息”“需要通知哪些单位”“处置建议依据是什么”。

人民论坛网关于人工智能应急大模型的文章提到，应急管理体系正面对风险复合化、灾害链条化、城市系统耦合化等变化，人工智能应急大模型可在风险感知、情景推演、协同调度、公众沟通和深度学习等环节发挥作用。4这句话落到工程上，就是不要让模型孤立输出结论，而要让它参与风险链条的组织和解释。

比较稳妥的做法是“模型研判 + 规则校验 + 人工复核”。比如系统判断某区域存在燃气泄漏扩散风险，应同时展示监测点位、报警时间、浓度变化、风向、周边人口、阀门位置和疏散建议。值班人员可以看到依据，也可以修改处置等级并留下原因。

四、工单分派要从“关键词匹配”走向“语义理解 + 规则约束”

城市安全事件进入平台后，分派是最容易消耗人力的环节。热线、巡查、视频识别、物联报警、网格上报、部门转办，每天会产生大量事件。靠人工看标题、看地址、看描述，再判断派给哪个单位，效率低，也容易错派。

大模型可以帮助理解事件文本、图片描述和上下文，把“路面冒水”“井盖异响”“施工挖断疑似燃气管”“桥下有异常裂缝”这类自然语言，转换成结构化信息：事件类型、地点、对象、风险等级、责任单位、处置时限和建议动作。

但工单分派不能只靠模型自由判断。它必须受规则约束：属地边界、行业职责、权属单位、事件等级、夜间值班规则、重复事件合并、超时升级、跨部门会商等，都要通过 Workflow 固化。模型负责理解和补全，规则负责兜底和约束。

中科复兴知识库中提到，大模型智能分派用于提升城市问题处置效率，并与移动感知、固定感知、物联感知构成的人机协同体系结合。3在实际平台里，更重要的是让分派结果能被追踪：为什么派给这个单位，是否被退回，退回原因是什么，下一次同类事件是否能自动修正规则。

图源：中科复兴视频 AI 与城市治理方案素材，展示事件点位、指挥地图和处置资源的联动关系。

五、智能体适合做“受控助手”，不适合越权决策

智能体比普通问答更进一步，它可以调用工具、查询系统、生成表单、触发流程。公共安全场景中，智能体可以帮值班人员查预案、调视频、汇总报警、生成快报、列出处置清单、提醒超时工单，也可以辅助基层巡查人员识别隐患和生成整改建议。

成都“蓉安智能体”公开案例中，基层监管人员可通过手机上传隐患点位照片，系统进行图像识别与标准比对，判定隐患并生成整改建议；AR 巡检眼镜也可用于识别箱门未关闭、警示标识缺失等问题。5这类场景说明，智能体并不一定只在指挥大厅里，它也可以下沉到一线巡查。

不过，公共安全智能体必须有权限边界。它可以建议派单，但不能擅自扩大处置等级；可以生成事件快报，但不能替负责人签发；可以识别疑似隐患，但不能直接替代现场安全确认；可以提示预案条款，但不能脱离地方制度和实时现场情况。

好的智能体设计，应把“能自动做的”和“必须人确认的”分清楚。查询、汇总、草拟、提醒、比对可以自动化；停工、疏散、关阀、启动预案、发布公众信息等动作，需要明确授权和责任链条。

六、复盘分析是大模型容易被忽视的价值

很多平台重视报警和处置，却不重视复盘。一次事件结束后，工单关闭、人员撤场、报告归档，系统很少继续追问：预警是否准确，响应是否及时，信息是否缺失，处置是否绕路，哪个环节耗时最长，类似事件能不能提前发现。

大模型适合做复盘材料整理。它可以从报警记录、值班日志、工单流转、现场照片、视频摘要、处置报告和部门反馈中提取时间线，整理关键节点，识别超时环节，归纳经验教训，形成复盘初稿。

更进一步，复盘结果要回到知识库和规则库。比如某类报警经常误报，就要调整阈值或增加交叉验证；某个处置单位反复退单，就要检查职责边界；某类隐患整改后复发，就要提升风险等级或改造设施。

图源：中科复兴城市风险预警方案素材，展示从风险监测、任务分发、处置协同到复盘归档的闭环结构。

复盘是公共安全大模型长期变聪明的来源。没有复盘，大模型只是一个更快的信息整理工具；有了复盘，它才能逐步理解本地城市的风险特征、处置习惯和薄弱环节。

七、实施时要先建“可信底座”

公共安全大模型能不能用好，取决于底座是否可信。底座包括数据治理、知识治理、模型治理和权限治理。

数据治理要解决数据来自哪里、是否实时、是否完整、坐标是否准确、设备是否在线、工单是否闭环。知识治理要解决预案和标准是否最新、历史资料是否有效、地方流程是否固化、引用来源是否可追溯。模型治理要解决模型版本、提示词模板、回答质量、误报漏报、人工反馈和安全审计。权限治理要解决谁能看、谁能问、谁能派、谁能签发。

应急管理人工智能相关研究也提醒，人工智能深度赋能应急管理，需要在制度设计、技术风险防范、人才培养和场景适配等方面同步推进，避免技术应用脱离治理实际。6公共安全大模型尤其不能只看演示效果，必须看运行后的责任闭环。

一个比较务实的建设顺序是：先做知识问答和预案检索，再做事件摘要和工单辅助分派，然后接入预警研判解释，最后做智能体编排和复盘学习。这样风险较低，也更容易让一线人员逐步接受。

八、中科复兴场景里的公共安全大模型

在城市生命线和城市公共安全场景中，中科复兴更关注的是大模型如何嵌入已有业务链条。前端智能传感终端负责全要素感知，边缘计算网关做本地预处理，云端 AI 中台做跨场景风险关联分析，可视化驾驶舱负责呈现和协同处置，最终形成监测、预警、处置、复盘的闭环。

AI 智能体“小兴”适合承担两个角色。一个是面向业务人员的知识助手，帮助查询预案、解释报警、生成处置清单；另一个是面向平台流程的协同助手，帮助进行事件摘要、工单建议、资源匹配和复盘归档。

这些能力不能孤立看。只有当大模型接入 GIS、视频、物联、SCADA、工单、热线、预案、队伍、物资和历史案例后，它给出的建议才有业务上下文。否则，它再会表达，也很难真正服务公共安全治理。

图源：中科复兴公共安全数据融合方案素材，展示公共安全平台的多源数据汇聚、态势分析和指挥调度界面。

结语：公共安全大模型的价值，是把信息变成可执行判断

公共安全大模型真正有价值的地方，不是让系统变得更会说话，而是让信息更快进入判断，让判断更快进入流程，让流程结果继续反哺知识和规则。

知识问答解决“查不到、记不清”；预警研判解决“信息分散、依据不明”；工单分派解决“派给谁、怎么派”；复盘分析解决“这次做完，下次能不能更好”。把这四件事串起来，大模型才不是一个孤立功能，而是公共安全平台里的智能工作层。

FAQ

1. 什么是公共安全大模型？

公共安全大模型是面向城市安全、应急管理、安全生产、城市生命线等场景的大模型应用体系。它通常结合行业知识库、预案标准、监测数据、视频图像、工单系统和应急资源，用于知识问答、风险研判、事件摘要、工单分派和复盘分析。

它不是单独一个聊天机器人，而是要嵌入公共安全业务流程。

2. 公共安全大模型和通用大模型有什么区别？

通用大模型擅长语言理解和生成，但不一定掌握地方预案、行业标准、设备台账和处置流程。公共安全大模型需要接入本地知识库和业务系统，并通过权限、规则和人工复核控制输出。

公共安全场景更强调可靠性、可追溯、责任边界和处置闭环。

3. RAG 在公共安全大模型中有什么作用？

RAG 可以让模型先检索本地预案、标准、案例和台账，再基于检索结果回答问题。这样可以减少模型凭空生成内容，也便于展示答案来源和适用范围。

对于预案查询、法规问答、巡检标准解释和历史案例复用，RAG 是非常基础的能力。

4. 大模型能不能自动做预警决策？

不建议让大模型独立做重大预警决策。更合理的方式是让专业模型和规则系统给出监测结果、风险评分和阈值判断，大模型负责汇总证据、解释原因、生成处置建议，再由值班人员或专家确认。

公共安全领域的停工、疏散、关阀、启动预案等动作，都应保留清晰的人机协同和责任链条。

5. 大模型如何帮助工单分派？

它可以理解事件描述、图片摘要和上下文，把非结构化上报内容转成事件类型、地点、风险等级、责任单位和处置建议。再结合属地边界、行业职责、权属单位和时限规则，辅助生成派单建议。

模型负责理解，规则负责约束，人工负责确认和处理异常情况。

6. 公共安全大模型为什么需要复盘分析？

复盘可以把一次事件中的报警记录、工单流转、现场处置、部门反馈和最终结果整理成可复用经验。大模型可以辅助生成时间线、找出超时环节、归纳处置问题，并把结果回写到知识库和规则库。

没有复盘，大模型很难持续贴近本地业务。

7. 建设公共安全大模型平台需要哪些基础条件？

至少需要较完整的知识库、稳定的数据接入、统一事件工单、清晰的部门职责、权限体系、模型评估机制和人工反馈机制。仅有模型接口，不足以支撑公共安全业务落地。

建议从预案问答、事件摘要、辅助分派等低风险场景开始，再逐步扩展到研判解释和智能体编排。

参考资料

1. 国务院：《现代化应急体系建设“十五五”规划》。

2. 公开技术资料：《深入解析智能体平台三大核心：RAG、Workflow、Agent！》。

3. 《中科复兴公司知识库》：城市生命线安全运行平台、AI 智能体“小兴”、RAG 技术和公共安全大模型相关说明。

4. 人民论坛网：《以人工智能应急大模型赋能现代化应急管理》。

5. 中国应急管理报：《“扫一眼”识别隐患 遇疑难远程研判 蓉安智能体在成都投入应用》。

6. 公开资料：《如何以人工智能提升应急管理效能？》。