摘要： 针对运营技术的网络攻击正日益导致代价高昂的停机与物理损坏，暴露了工业物联网环境中传统基于规则的监控的局限性。尽管大语言模型（LLM）具备强大的语义推理能力，可辅助决策支持，但其幻觉特性在闭环控制中带来了不可接受的安全风险。本文提出了一种神经-智能体控制框架，这是一种新颖的架构，它将基于LLM的规划器（例如 Gemini 2.5 Flash-Lite）与预训练的时间序列基础模型（TimesFM）相结合，以实现基于物理规律的自主防御。本文引入了一种“反事实物理注入”机制，该机制在执行前，在基础模型的数值潜在空间中模拟LLM所提议干预措施的影响，同时允许系统拒绝幻觉性或非安全动作。在随机攻击场景下，基于工业数据集（例如安全水处理系统 SWaT）进行的评估表明，该框架相比 LSTM 和 TCN 基线表现更优。神经-智能体循环成功阻止了五次阈值以下的入侵（33.3%），而 LSTM 和 TCN 的阻止率分别为 26.7% 和 13.3%，且未执行任何物理上无效（幻觉性）的动作。这些结果证明了使用基础模型作为确定性“哨兵”来保护关键基础设施中智能体 AI 的有效性。