基于模型上下文协议提升的空气质量监测界面

空气质量监测是环境可持续发展和公共卫生的核心问题，但传统系统因复杂的数据可视化、有限的交互性和高昂的部署成本，使非专业用户难以解读。近期大型语言模型（LLM）的进展为使传感器数据更易访问提供了新机遇，但其倾向于生成幻觉的现象在安全关键领域限制了可靠性。为应对这些挑战，我们提出了一种LLM增强的空气质量监测界面（AMI），通过模型上下文协议（MCP）将实时传感器数据与对话界面集成。该系统以 live 环境数据为 grounding LLM 输出，实现准确、情境感知的响应，同时降低幻觉风险。该架构包括基于 Django 的后端、响应式用户仪表盘以及安全的 MCP 服务器，后者将系统功能作为可发现的工具公开，使 LLM 能够充当主动运营商而非被动响应者。专家评估显示，系统在事实准确性（4.78）、完整性（4.82）和最小幻觉（4.84）方面表现优异（满分 5 分），并通过专家间可靠性分析进行支撑。这些结果凸显了将 LLM 与标准化工具协议结合以创建可靠、安全且用户友好实时环境监测界面的潜力。