【人工智能主题日 Party Nights · 任务式 AI 创新工作坊】黑客松活动于 3 月 25 日至 3 月 29 日在北京 AI 原点社区开展，吸引了众多 AI 爱好者与参赛选手。GMI Cloud 作为本次黑客松「AI × Agent 超级个体」出海赛道的主办方，以 GMI Cloud Inference Engine 为官方算力与技术支撑，全程提供高性能推理引擎、模型服务与开发资源，让参赛团队能够更快把创意推进到可验证的产品形态。
当大多数人谈论 AI 落地时，目光往往集中在消费互联网。但在本届黑客松中，有一支团队把视线投向了更“重”的工业制冷。全球 20 万座冷库，每年电费支出超 2000 亿美元，其中约 30% 属于无效能耗，相当于每年浪费 600 亿美元。冷库运维长期依赖人工经验，设计周期长，运行调参靠手感；面对昼夜温差、季节变化等复杂工况，浪费时有发生。中小型冷库缺少专业运维能力，也承担不起高频专家咨询成本，长期陷在高能耗、低效率的困局中。
瞄准了这一行业痛点，这支团队试图用一套“AI 大模型 + 数值仿真 + 自动化执行”的组合方案，把冷库节能这件事重新做一遍。
由刘华、郭猛、谢圆平、Theo、刘昕仪组成的 Evolution Team，在调研中注意到冷库这个长期被忽视的场景：一边是高能耗、高成本，另一边却仍靠经验做设计和调参，节能和提效空间都很大。基于这一发现，团队做出 EnergyClaw，它是一款面向冷库场景的节能智能体，希望用 AI 参与设计、调参与日常运维。
➡️github 链接在这里：github.com/Gshfrez/ene…
欢迎来到【优秀实践合集】第 一 篇🎉🎉🎉
本期，我们为大家带来本次黑客松 AI 出海赛道的亚军作品，由刘华、郭猛、谢圆平、Theo、刘昕仪组成的来自 Evolution Team 打造的 EnergyClaw 冷库节能智能体。
01
EnergyClaw 在解决什么问题
What problem to solve
针对传统冷库运维长期依赖人工、无效能耗高企的结构性决策困境，Evolution Team EnergyClaw 团队的判断是：冷库节能的核心瓶颈，已经从“设备性能不足”转向“决策智能缺失”。
尤其在东南亚、中东等冷链快速扩张的海外市场，这一问题更加突出。冷库建设在加速，专业运维却相对稀缺，节能决策仍大量依赖经验。
如果运维仍停留在人工巡检、经验调参，本质上仍是在用旧方式参与新的竞争。因此，Evolution Team 将产品定位为一款 AI 工业控制决策中枢，通过“AI 大模型 + Claw 自动化 + 机理模型”的三位一体架构，让冷库拥有一个会思考、能感知、可执行的智能大脑。
在 Evolution Team 看来，冷库节能不是单点优化问题，而是贯穿设计、选型、运维和调参的全链路决策问题。
传统模式下，这些决策分散在不同角色手中，缺乏统一协调。他们想做的，就是把这条链路重新打通：从专业知识沉淀，到智能设计，再到自主运维和持续优化，让 AI 不再只是辅助工具，而是真正参与从设计到运行的全过程。人在其中的角色，从执行者转变为监督者，负责设定边界、审核关键决策，而将持续感知、分析和执行交给系统完成。
02
EnergyClaw 是如何运作的
How it works
EnergyClaw 的工作流程大体可以分为三个阶段。
第一阶段，是让模型先“学会这个行业”
EnergyClaw 通过 GMI Cloud Inference Engine 调用大模型，对冷库专业知识库进行学习和调用。知识内容覆盖制冷系统原理、暖通机电设计规范、能效计算方法、设备运行参数等专业信息。这个过程的意义，在于让 AI 从通用模型变成真正理解冷库场景的领域专家。借助向量数据库的协同调用，系统能够快速检索并理解专业知识，为后续设计和决策打下基础。
第二阶段，是把这些知识真正用到设计里
用户只需要输入冷库基础参数和设计需求，EnergyClaw 系统就能基于知识库进行方案推演，参与暖通机电专业设计。传统组态设计往往需要工程师投入两周时间，而 EnergyClaw 可以在一天内完成同类工作，并输出策略文件、报告文档和设计出图等完整成果。它不仅提升了效率，也显著降低了使用门槛。
第三阶段，则是最核心的运维决策环节
EnergyClaw 系统通过 OpenClaw 自动采集物联网温度数据、官方天气数据等多源信息，实时分析运行状态，并生成节能控制策略。比如在昼夜温差较大的情况下，传统系统可能持续高功率运行以维持库温，而 EnergyClaw 则会识别环境变化，主动调整压强、蒸发温度等关键参数，以降低能耗。决策生成后，系统再通过 MCP 协议模块将控制指令传递给 PLC，设备执行后产生的新数据继续回流系统，形成持续优化闭环。
为了保证这套机制的安全性与可靠性，EnergyClaw 还建立了一套相对严谨的执行流程：先划定安全边界，再通过数值仿真验证策略可行性，随后将通过验证的策略同步下发到实体设备，收集真实运行反馈，并在此基础上持续迭代优化。这样一来，大模型的智能决策能力和数值仿真的验证能力被结合到一起，既提升了自主性，也降低了工业场景中的“幻觉式决策”风险。
03
GMI Cloud Inference Engine 如何支撑这套系统？
How to support
在 EnergyClaw 的整条 AI 链路中，GMI Cloud Inference Engine 承担的是底层模型接入与推理支撑角色。作为一个面向全球模型统一接入与在线使用的高性能推理引擎平台，GMI Cloud Inference Engine 底层搭载 H100/H200 芯片，集成全球近百个前沿大语言模型与视频生成模型，能够为开发者和企业提供更快、更稳定、质量更高的模型服务。
GMI Cloud Inference Engine 不只是帮助 EnergyClaw 接入了模型，更是支撑了整套产品中最关键的 AI 能力。在知识学习与策略生成环节，系统通过平台调用 GLM 5，对冷库专业知识进行学习、检索和推理。模型在知识库调用，尤其是与向量数据库协同方面表现稳定，能够较好地理解制冷原理、设计规范等专业内容，并输出结构化策略文件。这个过程本质上是在把海量专业知识转化为 AI 可理解、可调用的决策依据。
在设计出图和报告生成环节，GMI Cloud Inference Engine 也支撑了多模态内容输出。平台提供的模型能够将策略逻辑进一步转化为可视化设计图纸和结构化报告，让 AI 的决策结果以工程师熟悉的方式呈现出来，提升实际交付的可用性。
在运维决策方面，系统则主要调用 GMI Cloud Inference Engine 平台的 DeepSeek 模型完成实时分析和指令生成。同时，为了保证工业场景下的连续运行能力，系统还引入了备份模型机制：一旦主模型响应超时，系统就会自动切换到备用模型介入，尽可能保障 7×24 小时运行下的业务连续性。
EnergyClaw 是一个完成度较高、搭建逻辑清晰的工业 AI 应用。它的意义不仅在于技术实现本身，更在于它精准找到一个真实存在的行业痛点，并用 AI 给出了一套能够落地的解决方案。从商业价值看，EnergyClaw 将设计周期从 2 周压缩到 1 天，并通过自主节能控制，有望撬动全球 600 亿美元的无效能耗市场，为“双碳”目标贡献实际价值。
当底层基础设施足够强大且易用，创业者真正的竞争力，最终还是回到对问题的理解深度，以及对解决方案的设计能力上。从冷库节能出发，EnergyClaw 正在稳步走向“工业控制决策 AI 中枢”的更大愿景。
点击最底部左下角“阅读原文”，领取福利额度 😍😍😍
平台近期上线多款模型，GLM5.1、Wan2.7、Seedance2.0、Gemma4...多款模型等你来体验～
