AI Agent · 碳关税合规自动化

CBAM 碳税
自动填报 Agent

为出口欧盟的制造与外贸企业,自动核算内含碳排放、生成季度申报、追踪政策变化——法规数据来自欧盟官方原文,全程数据不出企业边界。

$ python agent.py 已挂载工具 calc_carbon_cost · validate_trade_doc · search_cbam_regulation · check_policy_updates › 处理一张中国钢材出口发票… 🔧 validate_trade_doc 字段齐全 · 金额一致 · HS 7208 章节匹配 🔧 calc_carbon_cost 排放因子取自 IR 2025/2621 官方默认值 🔧 search_cbam_regulation 出处:IR 2025/2621 · 附件 I ✓ 已生成季度申报草稿(每条结论标注法规依据)
ReAct 编排 MCP / Function Call RAG · 真实欧盟法规 分层记忆 私有化部署
现状

一个每季度都要重做的合规噩梦

CBAM 自 2026 年进入确定期。出口欧盟的企业每一批货都要核算内含碳排放、按官方默认值或核证实际值折算、季度申报、购买证书——而规则还在逐年变化。

政策在变

默认值含逐年加价(2026 +10% / 2027 +20% / 2028 +30%),并将在 2027 年底复审。用旧值申报就会出错。

算法复杂

按「国家 × CN 编码 × 年份」查官方默认值,是一张覆盖数十国、数十编码的巨型表格。

错算有代价

申报数字错误意味着补缴碳税与合规风险,却普遍靠人工盯政策、Excel 手算。

数据敏感

采购价、供应商、排放数据属于企业私域,不宜上传外部云端处理。

演示

一次真实外贸场景的连续对话

四轮递进,模拟外贸/合规岗位的真实工作流。每一轮都在证明一项企业级能力——而不只是"能聊天"。

01
给一张原始商业发票,做合规校验并估算 CBAM 碳成本。
Agent 自己提取字段、调校验工具核对金额、再从法规库取真实官方排放因子计算,每条结论标注法规出处。提取交给模型,校验与计算交给工具。
多工具编排 · 真实数据 · 可溯源
02
如果碳价涨到 €100/吨,刚才这批货成本变多少?
没有重复说明是哪批货。Agent 记得上一轮的产品、数量、原产国,直接重算并给出差额——这是分层记忆。
多轮记忆 · 无需重复上下文
03
最近 CBAM 政策有更新吗?
Agent 检查官方源、比对法规号与内容指纹。发现变化只告警并建议人工复核,绝不自动改写法律知识库——合规底线。
时效管理 · 人工复核闸门
04
若用经核证的实际排放值 2.8 而非默认值,成本差多少?值得去做核证吗?
Agent 结合记忆,对比默认值与实际值的成本差,给出"是否值得申请核证"的业务建议——是判断,不只是算数。
实际值 vs 默认值 · 决策建议
CBAM Agent · 交互演示 回放真实运行
点下面的「下一步」,像供应链/外贸/合规岗位同事一样走一遍这套四轮对话——每步你会看到 Agent 调用了哪些工具、给出什么结论。
第 0 / 4 轮

交互演示为真实运行的回放;数值为示例,以实际运行为准。

架构

五个工具,一个会编排的大脑

Agent 用 ReAct 推理决定每一步,通过 MCP 调用独立的工具服务;长期记忆是按需检索的法规库。工具住在独立服务里,可移植、不绑死任何模型。

企业发票 / 报关单 · 用户指令 CBAM Agent · 编排大脑 ReAct 推理 + 分层记忆 算碳成本 真实官方值 单证校验 字段/金额 法规检索 RAG · 引用 政策监控 人工复核 HS 编码 查询 运行于自建主权 AI 基础设施 · 数据不出企业边界
工程

把它做到企业级的几个决定

切块策略

按数据结构切块

叙述性法规条款按「条/款」切,巨型默认值表按「国家 × CN 编码」行切——切块跟着数据结构走,而非一刀切定长。否则几千行数据塞进一个块,根本检索不出来。

metadata 设计

既给模型读,也给代码算

一般 RAG 只让模型读文本;这里工具还要读出精确数值做计算。所以数值必须可结构化提取、与文本协同设计——「读 + 算」的双重需求,是企业级系统才会遇到、教程很少覆盖的坑。

检索精度

元数据精确过滤

表格型默认值用 country × CN 编码 × 年份精确过滤,锁定那一行,取真实官方因子,而非语义近似——保证算出来的是法定值。

记忆

分层记忆

短期=对话轨迹,工作=任务状态与调用链,长期=法规库;长期记忆按需检索,不预加载进上下文。

可移植

MCP 工具解耦

工具住在独立 MCP 服务里,说纯协议;换模型只改客户端薄适配器,业务工具一行不动。

合规边界

人工复核闸门

政策监控自动发现变化并告警,但重建法律知识库必须人工确认——不为自动化便利,让程序无人监督地改写权威数据源。

可靠

确定性计算交给工具

金额校验、碳排放与成本计算全部走脚本,模型不自己估算;查不到官方值时明确报错,绝不编造数字。

私域

本地化部署

嵌入与向量库本地运行,数据不出网;可容器化交付到客户内网,满足私域数据合规要求。

对权威与合规数据保持敬畏。一个系统的成熟,不只看它自动化了什么,也看它在哪里克制——知道哪一步必须留给人确认。
技术栈

用到的工具与方法

Python Anthropic Tool Use MCP (FastMCP) ChromaDB Ollama · nomic-embed-text ReAct RAG · 元数据过滤 分层记忆 FORMEX/HTML 解析 Docker
关于

为什么是我做这个

我的差异是会写会管理Agent——同时我在工厂、供应链、碳关税现场待过,知道哪些是真问题

计算机211本科出身,做过软件与质量保障,产品交付;后转入新能源制造的供应链计划,亲历锂电出口、大宗商品风险与ESG/碳合规。这个Agent把这些一线经验,落成了一个真正能用的工具。

musae AI · 邮箱 zhouying360@foxmail.com · 代码与作品集可应需提供