우리는 시설 프로필과 지역 기후 목표를 읽어 들인 다음, 예상 탄소 감축량을 포함한 우선순위가 지정된 리트로핏(retrofit) 권장 사항을 반환하는 건물 에너지 감사 에이전트를 구축하고 있습니다. 이는 지속 가능성 엔지니어와 빌딩 운영자가 맞춤형 ML 파이프라인을 구축할 필요 없이 원시 유틸리티 데이터에서 실행 가능한 탈탄소화 계획으로 이동하도록 돕습니다.

필요한 것들

• https://portal.oxlo.ai 에서 얻은 Oxlo.ai API 키
• Python 3.10 이상
• OpenAI SDK: pip install openai

Step 1: Oxlo.ai 클라이언트 설정

저는 모든 프로젝트를 클라이언트 연결을 확인하는 것으로 시작하여 나중에 스택에서 네트워크 문제를 디버깅하지 않도록 합니다. 아래 코드 조각은 OpenAI SDK를 Oxlo.ai를 가리키도록 초기화하고 스모크 테스트(smoke test)를 전송합니다.

from openai import OpenAI

client = OpenAI(
...

Step 2: 시스템 프롬프트 작성

시스템 프롬프트는 이 에이전트가 받는 유일한 교육입니다. 저는 이를 간결하게 유지합니다: 페르소나를 정의하고, 구조화된 출력을 요구하며, 환각(hallucinated) 효율성 지표를 금지합니다.

SYSTEM_PROMPT = """당신은 에너지 시스템 분석가입니다. 사용자가 건물 프로필과 기후 목표를 붙여넣을 것입니다. 당신의 임무는 최대 세 가지 리트로핏 또는 운영 변경 사항을 추천하는 것입니다.

규칙:
...

Step 3: 감사 실행기 구축

저는 API 호출을 작은 Python 함수로 감싸서 코드베이스의 나머지 부분이 LLM 내부 동작에 대해 알지 못하도록 합니다. 이 함수는 건물 딕셔너리로부터 사용자 메시지를 조립하고 구문 분석된 JSON을 반환합니다.

import json

def run_energy_audit(building_profile: dict, climate_target: str) -> dict:
...

Step 4: 기준선 계산으로 수학적 근거 마련하기

원시 LLM 산술은 큰 숫자에서 벗어납니다. 저는 프로필로부터 기준선 배출량을 계산하는 가벼운 전처리기를 추가하여 모델이 자체 총계를 검증할 수 있도록 합니다. 이 단계는 선택 사항이지만, 추론 오류를 줄이기 위해 프로덕션 에이전트에서는 항상 포함합니다.

def enrich_profile(building_profile: dict) -> dict:
    enriched = dict(building_profile)
    elec_kwh = enriched.get("annual_electricity_kwh", 0)
...
```":
        raw = raw.split("\n", 1)[1].rsplit("```", 1)[0].strip()
    return json.loads(raw)
"```

## 실행하기 (Run it)

실제 건물 프로필과 기후 목표를 전달하세요. 에이전트는 데이터베이스에 기록하거나 대시보드에 표시할 수 있는 구조화된 권장 사항을 반환합니다.

if name == "main":
building = {
"name": "Westside Office",
...

예시 출력:

{
"recommendations": [
{
...

## 마무리 (Wrap up)

이 에이전트는 비정형 건물 데이터를 몇 초 만에 구조화된 탈탄소 로드맵으로 변환합니다. 두 가지 구체적인 다음 단계가 있습니다: 이상 징후를 자동으로 플래그 지정하기 위해 주간 AMI 스마트 미터 피드에 연결하거나, 전체 포트폴리오 CSV 파일을 전달하기 시작할 때 Oxlo.ai에서 `deepseek-v3.2` 또는 `qwen-3-32b`로 전환하세요. 왜냐하면 Oxlo.ai의 요청 기반 가격 책정은 입력 길이와 함께 확장되지 않기 때문입니다. [https://oxlo.ai/pricing](https://oxlo.ai/pricing)에서 플랜을 탐색할 수 있습니다.