碳索智算

一个面向制造企业的AI碳核算智能体。不是又一个手动填报的数据收集工具，而是一个让碳排放"有迹可循、有据可依"的智能决策引擎。

本仓库为 滴水湖大赛 S1W1 初赛阶段 的项目提案与文档归档。

---

项目说明

项目要解决的问题

制造企业在"双碳"政策压力下，碳排放核算已成为合规刚需，但传统方式高度依赖人工：数据分散在 ERP、MES、能耗系统、采购台账、物流单据等多个系统中，格式各异；全球排放因子库（DEFRA、IPCC、各国国家因子库）庞大且更新频繁，人工匹配成本极高；ISO 14064、GHG Protocol、GB/T 32150 等多套标准并行，核算边界和方法学差异显著；供应链（范围三）碳排放数据几乎空白。结果是，一份合规的碳排放披露报告通常需要 2–4 周才能完成，且准确性和一致性难以保证。

碳索智算把"分散的数据、复杂的标准、漫长的报告周期"变成"自动采集、智能匹配、一键生成"，是一个面向制造企业 ESG 部门、供应链管理人员和中小制造企业管理层的碳核算智能体。

目标用户

核心用户：制造企业 ESG/可持续发展部门（代号 "碳核算专员 Lisa"）

Lisa 是某中型制造企业的可持续发展专员，负责年度碳排放数据收集、核算与披露。她每天需要登录 ERP 导出能耗数据、翻阅采购台账统计原材料用量、对照 Excel 模板手动匹配排放因子、在不同标准之间反复确认核算边界。她熟悉碳核算的基本概念，但面对多系统数据整合和海量因子匹配时力不从心，经常加班到深夜核对数据，仍然担心报告合规性。

代表性用户原话：

"数据散落在七八个系统里，每次核碳都像在拼图，拼完了还不敢确定对不对。"

其他用户群体：

• 供应链管理人员：需要追溯原材料和物流环节碳排放的采购与运营经理，但缺乏贯穿上下游的碳足迹数据
• 中小制造企业管理层：没有专职 ESG 团队，需要低门槛、高效便捷的碳排放管理工具满足客户和监管要求
• 第三方碳核查机构：需要高效审核企业碳排放数据的专业服务机构

使用场景

场景 A · 年度碳盘查：Lisa 在财年末启动碳排放核算，系统自动对接 ERP、MES、能耗系统等多源数据，AI 完成排放因子匹配和碳排计算，生成符合 ISO 14064 或 GHG Protocol 的核算报告

场景 B · 供应链碳追溯：供应链经理在选择新供应商时，通过知识图谱穿透上游碳排放数据，评估不同供应商的碳足迹差异，支撑绿色采购决策

场景 C · 产品 LCA 计算：产品开发团队在设计阶段输入原材料和工艺参数，系统快速估算产品全生命周期碳足迹，支撑绿色产品设计和低碳产品竞争力

场景 D · 碳交易与碳税数据准备：管理层在参与碳交易或应对碳税政策前，通过系统快速获取准确的碳排放基线数据，支持碳资产管理和税务筹划

为什么这个问题值得做

• 政策驱动、合规刚需：中国"双碳"目标下，碳排放核算已从"可选项"变为"必选项"，2027 年起重点排放单位必须提交温室气体排放报告，市场需求明确且持续增长
• AI 技术成熟度高：LLM 的非结构化数据理解、RAG 的精准检索、知识图谱的关联推理、Agent 的流程编排，这些技术栈恰好对应碳核算的四大痛点（数据采集、因子匹配、标准适配、供应链追溯），技术-问题匹配度高
• 价值链完整：从"数据采集"到"因子匹配"到"碳排计算"再到"报告生成"是一条天然闭环，做透了能形成从合规到决策的完整价值链条
• 竞争格局尚未固化：碳核算 SaaS 市场尚处早期，国内缺乏真正将 AI Agent 与碳核算深度融合的产品，窗口期明确

我们准备怎么验证

正式开发前会先做一轮企业试点验证：选择 2–3 家不同规模的制造企业（含至少 1 家中型制造企业和 1 家小型制造企业），为期 2 周，由团队协助完成从数据采集到报告生成的完整流程。判断指标：

• 至少 2/3 试点企业完成自动数据采集对接
• AI 推荐的排放因子经专家确认为合适的比例达到 85% 以上
• 报告生成时间从行业平均 2–4 周缩短至 3 天以内
• 企业用户对产品易用性和结果可信度的评分达到 3.5/5.0 以上
• 至少 1 家企业表示愿意在试点结束后继续使用

这一步通过后才进入规模化工程开发。

---

AI+应用项目提案 (Specs)

2.1 项目名称

碳索智算（Tanzhi）— 企业碳核算智能体

一句话定位：让制造企业在 2 天内完成原本需要 2–4 周的碳排放核算与合规披露。

2.2 应用场景

赛道归属：制造（覆盖制造企业碳排放管理、供应链碳追溯、产品生命周期碳足迹计算等场景）。

具体使用场景：

场景	描述	涉及环节
场景 A · 年度碳盘查	财年末 ESG 专员启动碳排放核算，系统自动采集多源数据并完成计算	数据采集、因子匹配、碳排计算、报告生成
场景 B · 供应链碳追溯	供应链经理评估供应商碳足迹，支撑绿色采购决策	知识图谱、范围三核算、上下游穿透
场景 C · 产品 LCA 计算	产品团队在设计阶段估算全生命周期碳足迹	范围三核算、产品级碳足迹分析
场景 D · 碳交易数据准备	管理层获取碳排放基线数据，支持碳资产管理	报告生成、数据导出、标准适配

产品形态为 Web 应用 + API 接口，支持与企业现有系统（ERP、MES 等）对接，便于初赛阶段快速部署与验证。

2.3 目标用户

维度	描述
岗位	制造企业 ESG/可持续发展部门专员、供应链管理人员、企业管理层
企业规模	中型制造企业为主，兼顾小型制造企业
专业能力	了解碳核算基本概念，但缺乏专业团队和多系统数据整合能力
核心痛点	数据分散、标准复杂、核算耗时长、供应链数据缺失
现有行为	手动从多个系统导出数据，用 Excel 模板计算，人工匹配排放因子
真实需求	不是"学更多碳核算知识"，而是"把碳核算这件事高效、准确地做完"

2.4 核心问题

制造企业面对的不是"不懂碳核算"，而是"碳核算太难做、太耗时、容易错"。

具体痛点：

• 数据采集困难：碳排放数据源分布在 ERP、MES、能耗系统、采购台账、物流单据等多个系统中，格式不统一，人工整理耗时耗力且容易出错
• 排放因子匹配复杂：全球各类碳排放因子数据库庞大（如 DEFRA、IPCC、各国国家因子库），更新频繁，人工查找和匹配正确因子的成本极高
• 核算标准不统一：国际上存在 ISO 14064、GHG Protocol、PAS 2050 等多套标准，国内还有 GB/T 32150 等国标，不同标准的核算边界、方法学差异显著，企业难以自主把握
• 供应链（范围三）碳排放核算几乎空白：上下游供应商的碳排放数据获取困难，企业对产品全生命周期的碳足迹缺乏认知
• 披露报告编制耗时：一份完整的碳排放披露报告通常需要 2–4 周才能完成，且合规性难以保证，影响企业融资与市场竞争
• 不被信任：用户担心 AI 给出的只是"看起来合理"的数据匹配，而不是"专业准确"的核算结果——这是产品最核心的信任风险

2.5 产品思路

核心理念：碳核算智能体，不是数据填报器。

主流程（接入到报告）：

1. 多源数据智能采集 — AI Agent 自动对接企业 ERP、MES、能耗监控系统、采购系统等，通过预置插件和 API 自动提取碳排放相关数据（电耗、燃料消耗、原材料用量、物流里程等）。所有对接可配置，支持增量同步。
2. 非结构化数据解析 — 对于发票、运输单、能耗账单等非结构化文档，利用大语言模型自动识别并提取碳排放相关信息（如燃料类型、用量、里程等），解放人工录入压力。
3. 排放因子智能匹配 — 基于 RAG 技术，从全球排放因子库中自动检索并匹配最适用的因子，并根据数据来源地、行业属性、能源类型等维度给出匹配理由和置信度评分。
4. 多标准自动核算 — 用户选择目标核算标准（如 GHG Protocol 或 GB/T 32150）后，AI 自动完成范围一（直接排放）、范围二（间接排放）、范围三（供应链排放）的碳排放计算，核算过程透明可追溯。
5. 供应链碳穿透 — 通过知识图谱关联上下游供应商，辅助企业估算产品全生命周期碳足迹，逐步填补范围三核算的数据空白。
6. 一键披露报告 — 系统自动生成符合目标标准的碳排放报告，包含数据来源说明、计算过程、结果分析和改进建议，支持多种格式导出。

关键设计原则：

• 全流程自动化：从数据采集到报告生成，最大限度减少人工干预
• 核算过程透明：每个计算步骤均可追溯，数据来源、因子选择、计算公式一目了然
• 多标准适配：同一套数据可按不同标准自动核算，灵活应对不同披露要求
• 人机协同验证：AI 完成自动化计算后，关键节点由用户确认，确保结果可信
• 持续学习优化：系统通过分析用户反馈和实际核算结果，不断优化因子匹配策略和数据解析准确率

2.6 AI 在哪里发挥作用

碳索智算不是一个"加了 AI 包装"的碳核算工具，AI 是它能存在的根本原因。下表列出"没有 AI 就做不到"的能力点：

能力	没有 AI 就做不到	我们怎么用
非结构化数据理解	传统工具无法解析发票、运单、能耗账单等文档中的碳排放信息	LLM 自动识别并提取关键信息，转化为结构化数据
排放因子智能匹配	规则系统无法在海量因子库中根据多维上下文精准匹配	RAG 技术构建向量知识库，实现语义级检索和智能推荐
供应链碳足迹追溯	传统数据库难以表达和查询复杂的供应链上下游关系	知识图谱构建供应链-碳排放关联网络，支撑穿透式追溯
全流程自动编排	传统工作流引擎无法理解业务逻辑并动态调整流程	AI Agent 作为中心协调器，根据中间结果动态编排核算步骤
多标准自适应核算	不同标准的核算边界和方法学差异需要人工逐条对照	LLM 理解标准差异，自动适配核算逻辑和报告模板
持续学习优化	规则系统无法从历史核算中自动改进匹配和计算策略	系统分析用户反馈和结果偏差，自动优化模型参数和策略

安全边界：碳排放核算结果涉及企业合规和审计，所有计算过程必须可追溯。AI 负责自动化匹配和计算，但关键节点（如因子选择、边界确认）由用户审核确认，确保最终结果的合规性和可信度。

2.7 评测标准

将"项目是否做成"拆解为以下可验证问题：

一、关键任务是否完成（核心承诺）

指标	目标值	验证方式
数据采集覆盖率	自动采集的碳排放数据点占全部需要核算数据点的比例达到 80% 以上	对比系统采集数据与完整数据集
排放因子匹配准确率	AI 推荐的排放因子经专家确认为合适的比例达到 90% 以上	邀请碳核算专家对推荐结果进行盲审
核算准确率	与人工专业核算结果的偏差控制在 5% 以内	并行运行系统核算与人工核算，对比结果
报告生成效率	完整碳排放披露报告编制时间从行业平均 2–4 周缩短至 2 天以内	记录从数据接入到报告生成的实际耗时

二、AI 输出是否符合要求

指标	目标值
每条因子匹配是否同时包含 ≥1 条来源引用和 ≥1 条匹配理由	生成层硬约束校验
核算过程是否 100% 可追溯，每一步均可查看数据来源和计算公式	审计日志完整性检查
标准覆盖率是否支持 ISO 14064、GHG Protocol、GB/T 32150 等主流标准	标准适配测试

三、是否减少人工步骤

指标	目标值
用户是否不再需要手动从多个系统导出数据并用 Excel 计算	操作步骤计数对比
排放因子匹配是否实现"一键推荐"而非人工逐条查找	操作步骤计数对比

四、用户信任与满意度

指标	目标值
企业用户对产品易用性和结果可信度的评分	达到 4.0/5.0 以上
用户能否一键查看 / 导出全部核算过程的审计日志	功能可用性验证
用户能否随时查看并编辑 AI 匹配的排放因子	功能可用性验证

五、系统能力与扩展性

指标	目标值
支持对接的企业系统类型	≥3 种（ERP、MES、能耗系统等）
支持的碳核算标准	≥3 套（ISO 14064、GHG Protocol、GB/T 32150）
排放因子库覆盖范围	覆盖全球主流因子库（DEFRA、IPCC、中国国家因子库等）