能源消耗预测越来越依赖复杂的机器学习模型，例如基于遗传编程的符号回归模型。这类模型的预测结果对设施管理者和建筑运营人员而言往往难以理解。传统的可解释人工智能（XAI）仪表盘虽然提供了特征重要性、局部解释等可视化手段，但需要较高的技术门槛，且交互方式固定，难以支持动态、情境感知的查询。\ \ 对话式 XAI 系统被提出以提升可用性。早期方案如 TalkToModel 采用硬编码语法，意图解析准确率仅为 76.8%，且难以扩展到不同任务。\ \ 本文推出 Explainability Assistant，一个开源的对话式 XAI 框架，利用现代大语言模型（LLM）的函数调用能力，实现灵活的自然语言交互并摆脱任务特定微调。系统核心包括：\
- 意图解析层：通过 LLM 的函数调用接口，将用户的自然语言请求映射为统一的解释函数调用，意图解析准确率提升至 94%。\
- 解释后端：支持多种模型解释技术，如 SHAP、LIME、符号回归树的可视化等，统一为可调用的函数接口。\
- 对话管理：基于上下文保持会话状态，允许用户在同一会话中逐步细化查询，例如“请展示过去一周的能耗预测误差分布”，随后再询问“哪些特征对误差贡献最大”。\ \ 系统无需针对能源领域进行额外微调，即可直接在通用 LLM（如 GPT‑4）上运行。我们在能源领域专家（共 8 位）中进行对比实验，分别使用 Explainability Assistant 与传统 XAI 仪表盘完成同一解释任务。结果显示：\
- 可用性评分提升约 1.3 分（满分 5 分）。\
- 任务完成准确率保持在 96% 以上，未出现显著下降。\
- 所有受访专家一致表示更倾向于使用对话式界面进行日常解释工作。\ \ 整体而言，Explainability Assistant 通过 LLM 的函数调用实现了高精度意图解析和灵活的自然语言交互，为能源消耗模型的可解释性提供了更友好的使用体验。\ \ 点评：该系统展示了将 LLM 与传统 XAI 方法深度融合的可行路径，尤其在降低专业门槛、提升交互灵活性方面具有重要意义。