投资底座，租用智能：工业 AI 的快慢变量

问题：模型半年换一轮，系统却要用十年

工业软件的生命周期通常以"年"甚至"十年"计，而这两年 AI 的迭代周期以"月"计。这带来一个非常现实的焦虑：

今天押的技术，明年会不会就过时？这笔投入会不会打水漂？

我们见过两种典型的踩坑方式。一种是把快变量当地基：围绕某个当红框架、某个向量库、某种编排方式，把业务逻辑深度绑定进去；一年后生态变了，等于重做。另一种是因噎废食：因为怕过时而什么都不做，结果数据依旧散乱，等到真的要用 AI 时，连能喂给模型的干净数据都没有。

两种都很贵。我们的解法是先把资产分成两类，再决定钱花在哪。

方法：分清快慢变量，然后"投资底座、租用智能"

慢变量（值得投资，逐年复利，且与模型无关）：

• 本体与语义底座——把工厂的对象、关系、机理沉淀下来。模型越强，越吃结构化、语义清晰的上下文；这份资产不会因为换模型而贬值。
• 动作面——业务能做哪些动作（放行、报废、复核、追溯），以标准工具接口暴露。
• 确定性治理脊柱——规则与硬约束、审计、签名、人在环。模型越自主，这圈护栏越值钱，而它完全不依赖某个具体模型。
• 可靠写入与事件流——数据可信的地基，同时也是未来一切智能的原料。

快变量（租用即可，保持可替换）：

• 具体的大模型；
• Agent 编排框架；
• 向量库与检索管道；
• 记忆层等周边组件。

由此得到三条工程做法：

一、模型可插拔。 业务动作面通过标准接口（如 MCP 这类已被广泛采纳的工具接口约定）暴露；接入层负责对接具体模型。换模型时改接入层，不重写业务面与审计链路。

二、知识以结构化件存活。 工艺规则、判定标准、SOP 尽量以结构化、可导出的形式保存，而不是只以某种嵌入向量的形式锁死在某个库里。组件会换，知识不该跟着陪葬。

三、确定性与概率性分层。 规则、约束、审计不依赖模型；模型只在壳内工作。这既是可信的前提，也是可替换的前提。

值得一提的是：这套判断我们自己也用来审视自己。 我们曾在早期自建过一整套 Agent 编排与检索管道，后来在一次技术复盘中把它们判定为快变量——保留其中沉淀下来的资产（本体、动作、规则、治理），放弃那套自建管道，改为对接当代标准接口。承认自己押错了一部分，比抱着沉没成本走下去便宜得多。

如何验证：三个可以当场问的问题

判断一套工业 AI 方案会不会过时，不必看宣传，问三件事：

1. 换模型要不要重写？ 请对方说明：如果半年后换成另一个模型，需要改动哪些部分？如果答案是"业务逻辑要跟着改"，那它的地基是快变量。
2. 知识能不能带走？ 请对方演示：把规则、工艺知识、判定标准导出为结构化文件。导不出来，就是被锁定。
3. 护栏是否独立于模型？ 请对方说明：审计、权限、人工确认这些机制，是否依赖某个具体模型或框架的能力。依赖，就意味着换模型时安全边界也要重做。

对采购方而言，这三个问题可以直接写进技术评审要点；对建设方而言，它们是架构自检表。

诚实边界

本文属于工程实践层面的判断与做法：可插拔的动作面、结构化知识、确定性分层，是我们的技术方向与既有做法；其中标准工具接口的契约目前是逐步充实的状态，并非全部已在生产环境跑通。

另外要说明：慢变量不是"永远不变"，只是"变得慢"。 本体会随业务演进，治理规范也会更新。这条判断的价值不在于预测未来，而在于——当变化到来时，你需要重写的东西尽可能少。