（通讯员 陈楚珂）近日，清华大学环境学院徐明教授团队系统比较了大语言模型在生态环境决策中的多种应用路径，明确了领域微调、智能体工作流及新一代通用模型在复杂、多步骤决策中的功能边界。研究提出了以决策场景建模、工作流化设计和模型分工为核心的应用策略，为构建贴近实际决策逻辑并且可与专家判断过程对齐的生态环境智能决策系统提供了方法参考。

随着大语言模型应用不断拓展，如何将其有效引入生态环境决策过程成为环境信息化与智能化转型中的关键问题。不同于通用问答任务，生态环境决策通常涉及法规与标准检索、监测数据分析、定量计算与结果核验等多环节协同，对模型在复杂决策流程中的整体表现提出了更高要求。然而，现有研究多聚焦单一任务或静态评测，对不同模型应用路径在真实决策结构中的系统比较仍然不足。这使得一个关键问题长期悬而未决：在复杂生态环境决策场景下，大模型究竟应如何配置，才能更好地服务于实际决策需求。

针对上述问题，徐明团队构建了基于环境教材和典型应用场景的数据集与任务基准，将领域微调模型、新一代通用基础模型以及引入工具调用与反思机制的智能体工作流，统一嵌入包含检索、计算与结果核验等环节的真实决策工作流中进行系统比较，重点评估不同模型在复杂、多步骤环境决策中的整体表现及其与专家决策逻辑的一致性。

研究结果表明，领域微调在规则明确、流程固定的任务中可带来有限（+1%）但稳定（+10%）的性能提升，但在涉及多步骤推理和工具协同的复杂决策场景中，其优势迅速减弱。在同等参数规模条件下，新一代通用模型在多学科知识整合与任务分解方面表现更优，而基于通用模型构建的智能体工作流通过显式的任务分解与工具协同，在系统层面实现了更高的整体性能（+10%）。

图1.微调模型、基线模型与最新通用模型及其智能体工作流的性能对比

研究指出，生态环境领域大模型应用的关键不在于单一模型能力的提升，而在于对决策场景的清晰建模、对决策流程的工作流化设计以及对不同模型能力的合理分工。领域微调更适用于稳定、可验证、规则驱动的核心工序或作为校验模块，而智能体工作流则更适合承担动态、数据密集、跨学科的决策链路任务。该研究为构建贴近实际决策逻辑、具备可解释性与可靠性的环境智能决策系统提供了方法参考。

图2.大语言模型在生态环境领域中的应用策略（本图由Google Nano Banana Pro生成）

研究成果以“面向复杂生态环境问题的大语言模型应用：结构化微调数据集与应用策略”（Leveraging LLMs for Environmental Complexity: Structured Fine-Tuning Data Sets and Deployment Strategies）为题，于北京时间1月1日发表于《环境科学与技术》（Environmental Science & Technology）。

清华大学环境学院博士后陈楚珂为论文第一作者，环境学院副研究员李楠和教授徐明为论文共同通讯作者。研究得到国家重点研发计划、国家自然科学基金、清华大学“水木学者”计划、亚马逊研究基金等项目的支持。