工业智能体:从Codex/Claude到项目实战~系列文章10：Claude 的 Thinking 模式：高炉炉况的深度推理

/* MD / 富文本中的 .toc（含博客园搬家等嵌套结构）；.toc-box 在侧栏，不受影响 */
#content_views .toc,
/* 编辑器常在目录前后插入空 p（:empty 仍占 20px），一并去掉避免顶空隙 */
#content_views.markdown_views > p:empty:has(+ .toc),
#content_views.markdown_views > .toc + p:empty,
/* 富文本旧版目录标记 */
#content_views.htmledit_views #main-toc,
#content_views.htmledit_views #hr-toc,
#content_views.htmledit_views p[id*=\”-toc\”] {
display: none !important;
}
/* 目录去掉后，紧跟的首个标题不再多出一块上边距 */
#content_views.markdown_views > .toc + h1,
#content_views.markdown_views > .toc + h2,
#content_views.markdown_views > .toc + h3,
#content_views.markdown_views > .toc + h4,
#content_views.markdown_views > .toc + p:empty + h1,
#content_views.markdown_views > .toc + p:empty + h2,
#content_views.markdown_views > .toc + p:empty + h3,
#content_views.markdown_views > .toc + p:empty + h4 {
margin-top: 0 !important;
}

第 10 期 | Claude 的 Thinking 模式：高炉炉况的深度推理 🧠

摘要：工业决策往往需要"想深一点"，而默认的"快答"模式很容易让大模型凭表面特征下判断。Anthropic 在 Claude 系列中引入的 Extended Thinking（扩展思考） 能力，允许模型在给出答案前进行一段受控的链式推理（Chain-of-Thought），对高炉这样的"多信号耦合、需因果推理"场景价值巨大。本文将从原理与工程两个层面展开：首先解释 Extended Thinking 的机制与"思考预算(budget_tokens)"配置；其次给出面向炉况诊断的结构化推理提示模板；再次用代码演示如何在 API 层启用 thinking 并解析思考/回答两段输出；最后给出"何时该开想、何时别开想"的工程权衡与成本控制。

〇、引言：给模型"装上’三思而后行’的开关"

高炉炉况诊断绝不是"看一眼参数就下结论"。炉温异常可能是风量、焦比、炉料透气性、甚至上一炉的操作共同作用的结果。让模型直接"快答"，很容易把"相关性"误当"因果性"。Extended Thinking 的价值，就是强制模型把"证据→推理→结论"的链条显式展开，从而显著降低这种"浅层误判"。

一、Extended Thinking 的机制与预算 ⚙️

#mermaid-svg-6Fzc6n51LXV8gMwX{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-6Fzc6n51LXV8gMwX .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-6Fzc6n51LXV8gMwX .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-6Fzc6n51LXV8gMwX .error-icon{fill:#552222;}#mermaid-svg-6Fzc6n51LXV8gMwX .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-6Fzc6n51LXV8gMwX .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-6Fzc6n51LXV8gMwX .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-6Fzc6n51LXV8gMwX .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-6Fzc6n51LXV8gMwX .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-6Fzc6n51LXV8gMwX .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-6Fzc6n51LXV8gMwX .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-6Fzc6n51LXV8gMwX .marker{fill:#333333;stroke:#333333;}#mermaid-svg-6Fzc6n51LXV8gMwX .marker.cross{stroke:#333333;}#mermaid-svg-6Fzc6n51LXV8gMwX svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-6Fzc6n51LXV8gMwX p{margin:0;}#mermaid-svg-6Fzc6n51LXV8gMwX .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-6Fzc6n51LXV8gMwX .cluster-label text{fill:#333;}#mermaid-svg-6Fzc6n51LXV8gMwX .cluster-label span{color:#333;}#mermaid-svg-6Fzc6n51LXV8gMwX .cluster-label span p{background-color:transparent;}#mermaid-svg-6Fzc6n51LXV8gMwX .label text,#mermaid-svg-6Fzc6n51LXV8gMwX span{fill:#333;color:#333;}#mermaid-svg-6Fzc6n51LXV8gMwX .node rect,#mermaid-svg-6Fzc6n51LXV8gMwX .node circle,#mermaid-svg-6Fzc6n51LXV8gMwX .node ellipse,#mermaid-svg-6Fzc6n51LXV8gMwX .node polygon,#mermaid-svg-6Fzc6n51LXV8gMwX .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-6Fzc6n51LXV8gMwX .rough-node .label text,#mermaid-svg-6Fzc6n51LXV8gMwX .node .label text,#mermaid-svg-6Fzc6n51LXV8gMwX .image-shape .label,#mermaid-svg-6Fzc6n51LXV8gMwX .icon-shape .label{text-anchor:middle;}#mermaid-svg-6Fzc6n51LXV8gMwX .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-6Fzc6n51LXV8gMwX .rough-node .label,#mermaid-svg-6Fzc6n51LXV8gMwX .node .label,#mermaid-svg-6Fzc6n51LXV8gMwX .image-shape .label,#mermaid-svg-6Fzc6n51LXV8gMwX .icon-shape .label{text-align:center;}#mermaid-svg-6Fzc6n51LXV8gMwX .node.clickable{cursor:pointer;}#mermaid-svg-6Fzc6n51LXV8gMwX .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-6Fzc6n51LXV8gMwX .arrowheadPath{fill:#333333;}#mermaid-svg-6Fzc6n51LXV8gMwX .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-6Fzc6n51LXV8gMwX .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-6Fzc6n51LXV8gMwX .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-6Fzc6n51LXV8gMwX .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-6Fzc6n51LXV8gMwX .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-6Fzc6n51LXV8gMwX .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-6Fzc6n51LXV8gMwX .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-6Fzc6n51LXV8gMwX .cluster text{fill:#333;}#mermaid-svg-6Fzc6n51LXV8gMwX .cluster span{color:#333;}#mermaid-svg-6Fzc6n51LXV8gMwX div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-6Fzc6n51LXV8gMwX .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-6Fzc6n51LXV8gMwX rect.text{fill:none;stroke-width:0;}#mermaid-svg-6Fzc6n51LXV8gMwX .icon-shape,#mermaid-svg-6Fzc6n51LXV8gMwX .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-6Fzc6n51LXV8gMwX .icon-shape p,#mermaid-svg-6Fzc6n51LXV8gMwX .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-6Fzc6n51LXV8gMwX .icon-shape .label rect,#mermaid-svg-6Fzc6n51LXV8gMwX .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-6Fzc6n51LXV8gMwX .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-6Fzc6n51LXV8gMwX .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-6Fzc6n51LXV8gMwX :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

输入: 多信号炉况

思考阶段(隐藏)显式列出证据/假设/因果

回答阶段给出结论+依据

💡 知识卡片：思考预算越高，模型想得越久，但也越慢、越贵。工业上建议按任务复杂度配置：简单查询低预算，复杂诊断高预算。

二、面向炉况诊断的结构化推理模板 📋

与其让模型"自由想象"，不如用模板规定思考的骨架，引导它按"证据-机制-结论-不确定性"组织推理，并用 JSON 输出便于下游解析：

# 任务：高炉炉温异常诊断
## 输入信号
– 热风压力: {p} MPa; 风温: {t}℃; 富氧率: {o2}; 焦比: {cr}
– 最近炉温变化: {trend}
## 思考要求（请务必先推理再回答）
1. 证据梳理：列出与炉温相关的每个信号及其可能机制；
2. 因果分析：区分"直接诱因"与"伴生现象"；
3. 不确定性：明确哪些信息缺失、当前判断置信度；
4. 处置建议：给出分优先级、可执行的操作。
## 输出（严格 JSON）
{"诊断": str, "置信度": 0~1, "诱因": [str], "建议": [str], "待确认": [str]}

📌 实战要点：先思考后 JSON、把不确定性显式输出——这两点是工业落地铁律。它让模型既能给出结论，又敢于承认"我不知道"，避免在产线上"一本正经胡说"。

三、代码：在 API 层启用并解析 Extended Thinking 🔬

# agent/thinking_llm.py —— 使用支持 Extended Thinking 的模型
from openai import OpenAI
import os, json, time

client = OpenAI(
api_key=os.getenv("ARK_API_KEY"),
base_url=os.getenv("ARK_BASE_URL"),
)

def diagnose_lf(obs: dict) –> dict:
resp = client.chat.completions.create(
model="doubao-seed-2-0-XX", # 支持 extended_thinking 的模型
messages=[{"role": "user", "content": PROMPT_TEMPLATE.format(**obs)}],
thinking={ # 开启扩展思考
"type": "enabled",
"budget_tokens": 2048,
},
)
msg = resp.choices[0].message
# 解析: 部分模型在 content 前提供 reasoning_content
reasoning = getattr(msg, "reasoning_content", None) or ""
answer = msg.content
try:
structured = json.loads(extract_json(answer))
except Exception:
structured = {"raw": answer}
return {"reasoning": reasoning, "answer": structured, "latency_s": round(time.time()–start(), 1)}

🎯 要点：工程上把"思考段"存进审计日志、只把"回答段"到下游。这样既保推理质量，又不让冗长思考污染业务数据接口。对账、复盘时再回看思考段。

四、何时开想、何时别开想：工程权衡 ⚖️

⚠️ 提醒：thinking 不是"想得越多越好"。它只放大"推理的充分性"，不改变"知识的边界"。对超出模型已知范围的冷门机理题，再高的预算也可能"想偏"——此时应回退到知识库/专家复核，而不是盲目信任"深度思考"。

〇、附录：提示词中的"推理护栏"设计 🧭

Thinking 模式的威力与风险并存——它可能想得很深，也可能想偏。本附录补一套"推理护栏"提示词设计：约束推理必须"先分步、后给依据、再下结论"，并给出可复用的提示模板骨架。

# 炉况推理护栏 Prompt 骨架
1. 先列出已知炉况事实(风量/风温/压力/料速)
2. 分步推理: 每一步说明"由什么现象,推断着什么"
3. 给出矛盾点: 若有信号互相冲突, 先指出
4. 结论必带置信度: 结论(高/中/低) + 一句话依据
5. 不确定时的默认动作: 建议人工复核, 不硬下结论

# thinking/guardrails.py —— 对LLM结论做结构校验(骨架)
def validate_reasoning(parsed):
need = {"facts": list, "steps": list, "conflict": str,
"conclusion": str, "confidence": {"high", "med", "low"}}
for k in need:
if k not in parsed:
return False, f"缺字段: {k}"
return (parsed["confidence"] in need["confidence"]), "ok"

📌 实战要点：给 Thinking 套"结构化护栏"，比放任它自由发挥更可靠——既保留深度推理的优点，又用"分步 + 依据 + 置信度"防止它跑偏或过度自信。

⚠️ 提醒：深度推理的致命伤是"过度自信"——它可能把"高置信"建立在错误假设上（熟能生巧地编）。因此必须配合"字段校验 + 矛盾点显式化 + 默认人工复核"，守住可靠性（呼应第 26 期）。

🎯 本期小结

🔧 本期工具箱

• 参数：thinking={"type":"enabled","budget_tokens":N}；解析 reasoning_content 与 content；
• 模板：第二部分的结构化推理模板可直接复制到你的系统提示词；
• 延伸阅读：Anthropic《Extended thinking best practices》；第 04 期（技术栈）记忆部分。

下一期预告：工具已逐步熟练，下一步将聚焦更具挑战性的任务。第 11 期《Codex 批量重构老系统：激活 20 年 DCS/PLC 存量代码》，围绕"以 AI 释放存量资产价值"展开规模化实践。

作者：高炉炼铁智能化技术研究者，专注钢铁冶金与人工智能 + 交叉领域。
👍 如果觉得有帮助，请点赞、收藏、转发！
版权归作者所有，未经许可请勿抄袭，套用，商用(或其它具有利益性行为)。
🔔 关注专栏，不错过后续精彩内容