第一步：发现问题
场馆Agent持续监控分区能耗、环境传感、设备运行状态等数据，识别出偏离正常范围的情况——比如某个看台区域在上座率明显低于预期时，空调仍按满场设定运行，或者某个时段的用电曲线和历史同类场景出现明显偏差。这一步的输出只是"发现了一个值得关注的现象"，还不构成任何操作指令，也不会触发设备的任何变化。这一步的关键是设定合理的偏离阈值——阈值太敏感会产生大量无意义的提醒，阈值太宽松又可能错过真正值得关注的异常，需要结合历史数据反复校准。
第二步：提出策略
发现问题之后，Agent需要生成一个具体的调整建议，比如把某分区的目标温度上调一到两度、把某区域照明调暗到某个比例、或者把某时段的通风策略做适当调整。这一步的策略生成依赖前面提到的预测和优化环节，输出的是一套结构化的候选方案，而不是直接下发给设备的指令，方案本身还需要经过后续环节反复验证，不会因为是"AI提出的"就获得任何优先执行的权限。
第三步：数字孪生模拟
候选策略在真正执行前，会先在数字孪生环境里跑一遍模拟——预演这套策略如果被执行，对应区域的温度、湿度、人员舒适度会如何变化，能耗预计能下降多少，是否会对相邻区域产生意料之外的影响。这一步的价值在于提前发现问题，而不是等设备真的调整之后才知道效果好不好，这也是数字孪生在场馆管理中真正的价值所在：不是好看的3D展示，而是让策略在虚拟环境里先跑一次，把可能的失误挡在执行之前。如果模拟结果显示某项调整会导致局部区域温度明显偏离舒适范围，这个方案在这一步就会被拦下，不会进入后续的审批和执行环节。
第四步：检查舒适度、空气质量、安全与比赛需求
模拟结果出来后，还要对照几类硬性约束逐项检查：区域温湿度是否仍在舒适范围内，CO₂浓度等空气质量指标是否达标，是否存在设备安全边界风险，以及是否符合当前比赛或活动阶段的特殊需求（比如运动员通道区域可能有独立的温控要求，转播区域可能对照明有特殊标准）。任何一项不满足，策略都需要退回调整，而不能带着风险直接进入下一步，这一层检查是整套流程里最不能省略的部分。
第五步：人工或规则审批，最后才是设备执行
通过检查的策略，还需要经过人工确认或预设规则审批——比如低幅度、低风险的调整可以按预设规则自动放行，涉及较大幅度调整或特殊场次的策略则需要值班人员确认后才能下发。只有走完这五步，设备才会真正收到执行指令。假设某场比赛中段（举例场景，非真实赛事数据）某区域上座率显著低于预期，Agent建议的分区节能策略要走完发现、建议、模拟、检查、审批全部环节才会落地，这个过程看起来比"AI直接自动关一部分设备"慢，但换来的是每一步调整都有据可查、可回溯、可叫停，出现问题时也能迅速定位是哪个环节出了偏差。场馆Agent坚持这套"建议—模拟—执行"流程，本质上是把节能这件事从"自动化到底"改成"可控的自动化"，这和场馆能源管理需要同时关注多种资源而非单一指标是同一种审慎态度的延伸，也是场馆这类涉及大量人员安全的场景里必要的克制。随着积累的案例增多，哪些类型的策略可以适当简化审批环节、哪些必须保留人工确认，也会逐渐形成更清晰的规则，但"模拟先行、审批把关"这个基本框架不会因为案例增多而被跳过，这也是场馆Agent区别于单纯追求自动化率的产品思路所在——衡量一个场馆Agent做得好不好，不该只看它自动执行了多少次调整，更要看每一次调整是否都经得起回头检查，这才是场馆这类高安全要求场景里真正值得长期追求的智能化水平，而不是仅仅追求在短期数字上看起来自动化程度更高一些。
