龙虎斗大模型与ESG & Circular Economy AI

龙虎斗大模型：LLM已经读完整家公司十年的ESG报告以后，为什么Sector Materiality仍然不能只让模型凭常识自己决定？

把一家公司十年的ESG报告喂给LLM，它可以给出一份漂亮的总结：议题变化、目标进展、语气转变。接着有人问它：“对这家公司来说，哪些议题最重要？”它也会回答，而且回答得很流畅。龙虎斗大模型在这一步插入一道闸门：这个回答来自哪里？

常识与经过验证的判断

LLM对“哪些议题对某个行业财务重要”的判断，来自训练语料里的一般常识。这些常识可能大体正确，但它没有经过验证，也不可审计：换一种提问方式，答案可能变化；换一个模型版本，权重可能漂移。Materiality Model需要的是稳定、可复现、可解释的配置：某行业的某议题权重是多少，依据是什么，什么时候更新。

一个虚构的分类错误

一家同时做电池制造与回收的公司，LLM凭常识把它归入“环保服务”。在这个篮子里，Water、Waste与社区议题权重高，而电池行业真正关键的Battery Safety、Critical Raw Materials依赖与Transition Risk权重低。整套Weight偏离之后，公司在Peer Comparison里被放进了错误的同行组，分数与排序都失去意义。Wrong Sector Weight与Wrong Peer Group是这样产生的。

LLM适合做什么

Explain：把Score Engine的结果翻译成可读说明。Summarize：十年报告的议题变化。Compare：两家公司在同一议题上的披露差异。RAG：检索报告原文、监管文件与DPP字段并标注来源。这些任务的共同点是输出可以被追溯到输入，错误可以被发现。

Score Engine负责什么

Methodology、Weights、Missing Data规则、Sector Adjustment。这些必须写成可复现的逻辑，接受审计，并在Methodology页面公开。2026年7月2日起适用的ESG Ratings Regulation对受监管评级机构提出了类似的透明度要求；龙虎斗官网虽然不是受监管机构，Demo也按同样的标准设计。

Demo怎样显示

用户看到公司的行业分类、Peer Group、各议题权重与依据，可以切换到其他行业分类观察分数变化；Copilot在旁边解释每一项权重为什么是这个值，并给出配置表的版本与更新时间。

LLM可以做的“提案”

这不意味着LLM在Materiality上完全没有作用。它可以读取一家公司的业务描述、收入结构与风险因素章节，提出“这家公司的业务与当前行业分类不匹配”的提示，或者列出报告中反复出现但配置表未覆盖的议题。这些提案进入人工评审队列，评审通过后才更新配置表并记录版本。LLM的角色是发现异常与提出问题，而不是直接改动决定分数的规则。文中公司与分类均为示意。

龙虎斗模型已经能够识别传送带上数十种Waste Object以后，为什么真正的Circular Economy AI还必须知道分选后的Material到底去了哪里？

Material Recognition Model在Demo里可以识别数十种物体：各种瓶、罐、板、壳、线缆、电池。这是一个不错的视觉模型。龙虎斗模型的Circularity Engine在它后面问了一个视觉模型回答不了的问题：分出来的东西去哪儿了？

分选结束不是循环结束

Sorted Stream离开产线之后，有几条路：卖给高质量再生料客户，卖给低价值应用（Downcycling），暂存等待价格，或者因为质量不达标被拒收。同样的分选结果，去向不同，循环经济的意义完全不同。Circularity Engine把Material Flow记录到Sold as Secondary Material这一步，才算记录完整。

Material Flow的字段

Input、Category、Mass、Sorted、Rejected、Recovered、Sold，以及Sold的去向类型与规格。这些数据与Plant-level的Purity、Recovery、Throughput、Downtime合并，形成Waste Analytics。它们回答厂长的问题（这个月赚没赚钱），也回答机构的问题（这家公司的循环经济到底做到了哪一层）。

CV与LLM的分工

图像与材料识别由CV和传感器模型执行，它们在Conveyor速度下实时工作，输出类别与置信度。LLM不参与识别，它负责解释Workflow、整理Material Flow记录、回答“为什么这批料被拒收”这类问题，并通过RAG检索客户规格与Recycling Guide。把LLM放进识别环节，会带来Latency与不可解释的错误。

Waste Stream Drift

包装换季、供应商更换、消费习惯变化，让下个月的Waste与这个月不同。Circularity Engine通过Composition变化检测Drift，Waste Agent建议Operator检查，模型更新经离线验证后进行。工业AI不能未经Validation自动在线学习并改变分选规则。

回流到ESG研究

当一家上市公司的回收产线接入这套记录，它的Circularity Evidence就从年报里的一个百分比变成逐月的Material Flow。龙虎斗ESG投资读取这些数据时，仍然会标注Data Confidence与Boundary。

DPP RAG在这条链上的位置

当物体带有可读的标识，Circular Economy RAG可以在识别阶段就查询DPP、Product Manual、BOM与Recycling Guide，为Sorting Engine提供材料构成与拆解提示。但RAG的响应时间通常超过Conveyor上的Latency预算，所以它更适合Pre-sorting与Disassembly Planning这类不在高速传送带上的环节，而不是喷吹决策。把RAG放在正确的位置，是Circular Economy AI架构里的一个具体设计选择。文中所有识别类别与流向数据均为Demo。

龙虎斗AI已经把上市公司ESG数据和Circularity数据放进同一个Profile以后，为什么一个综合总分反而可能隐藏最重要的信息？

产品会议上有人提议：既然ESG与Circularity数据都在一个Profile里，就给用户一个综合总分，简单直观。龙虎斗AI在原型里做了这个总分，然后用几个虚构案例把它拆掉了。

案例一：互相抵消

Company A这一年Recycled Input上升，Circularity贡献加分；同时发生一起环境处罚，Controversy扣分。综合总分不变，用户看到“没变化”。实际上发生了两件都值得知道的事。

案例二：Missing被稀释

Company B的Scope 3与Repairability都是Missing。在综合总分里，Missing项被排除后其他项的平均值填满了整个分数，Missing的存在从视觉上消失。而Missing本身是研究信息：为什么不披露？

案例三：行业差异被抹平

综合总分用统一权重，一家银行与一家制造企业的Circularity项权重相同。银行在这一项几乎没有直接Operational Metric，分数来自估算与行业均值；制造企业的分数来自真实Material Flow。两个分数在总分里等价，实际含义完全不同。

Profile应该怎样显示

保留每个维度的独立分数：Environment、Social、Governance、Carbon、Climate、Circularity、Controversy、Data Quality，每一项附Data Confidence与来源。总分只作为导航，点击展开，不作为结论。变化用贡献项显示：哪一项动了、动了多少、数据是Reported还是Estimated。

Methodology页面应披露什么

Weight、Source、Update频率、Missing Data规则、Sector Adjustment，以及配置表版本。用户在任何页面都能一键到达。这样的Profile比一个总分更慢，但慢的地方正是研究发生的地方。

案例四：重复计算

Company C的Waste数据同时进入Environment维度的Waste子项与Circularity维度的Waste指标，Carbon数据同时进入Carbon维度与Climate维度的Transition Risk评估。综合总分把它们相加，同一份数据被计了两次，公司在这两项上的优势或劣势被放大。独立维度显示时，用户能看到两个维度共用了哪些数据；Methodology页面列出每个维度的数据来源，重复使用一目了然。

Copilot怎样解释一个Profile

用户问“这家公司最值得关注的是什么”，Copilot不回答“总分82”，而是指出：Governance相对同行领先且数据为Assured；Circularity的Repairability为Missing；Controversy有一起未回应的事件；Climate的Physical Risk来自主要工厂所在地。四句话，每句附来源。这是Profile的读法，也是龙虎斗AI设计Copilot的方式。所有分数均为Demo，不属于受监管ESG评级或投资建议。