在Gottlieb，我们正在为物理工程师——那些设计喷气发动机、医疗器械和制造系统的人——构建AI智能体。我们从中学到了一个令人不安的认知：构建软件智能体的剧本，在后果是物理性的场景下不再适用。
其背后的原因揭示了物理工程与软件工程之间的本质区别——以及为什么为这一领域构建智能体需要重新思考一切。
一资产 vs. 五资产难题
在软件工程中，本质上只有一个关键资产：代码。
推送到GitHub，你就捕获了95%的价值。代码库包含完整规格、可执行制品、版本历史，以及在任何地方复现系统的能力。
物理工程不是这样运作的。
问问任何一位机械工程师：CAD文件可能只占资产的25%。要真正制造一台喷气发动机，你需要五个关键资产：
1. 图纸（制造什么）——CAD文件、规格、公差、装配图
2. 工艺文档（如何制造）——制造参数、装配顺序、热处理工艺、质量检查点
3. 工装（生产手段）——定制模具、夹具、CNC程序、测试设备
4. 测试数据（证明它有效）——验证结果、失效分析、破坏性测试、监管认证
5. 领域专业知识（机构知识）——"就是知道"什么有效的高级工程师
关键洞见：即使拥有完美的CAD文件，你也无法复制一片涡轮叶片。
通用电气的喷气发动机涡轮叶片是单晶超合金铸件。材料成分已在专利中公开，竞争对手确切知道是什么。但他们无法制造，因为工艺才是资产——升温速率、冷却顺序、炉内气氛。这些知识花了几十年才得以发展。
这创造了一个根本性的张力：物理工程知识分布在五类资产中，任何单一资产都不够充分。 软件将一切集中在代码中。
为什么这会让传统AI智能体失效
大多数AI智能体架构假设软件模型：代码是真相，迭代成本低，回滚容易。
但当我们为物理工程师构建智能体时，我们立即遭遇了问题：
问题1：知识不在一个地方
工程师问："17-4 PH不锈钢的热处理工艺是什么？"
答案不在CAD文件里，而在：
- 工艺文档（供应商规格）
- 测试数据（前期项目的验证报告）
- 领域专业知识（"我们2019年试过，失败了，因为……"）
- 工装约束（我们的炉子达不到那个温度）
传统RAG（检索增强生成）假设文档包含答案。在物理工程中，答案需要跨越所有五类资产进行综合。
问题2：错误有物理后果
智能体建议使用6061-T6铝代替7075-T6。代码运行完美无误，然而：
- 6061强度低40%
- 零件在载荷下失效
- 5万美元的原型机被损毁
- 项目延迟6周
你无法回滚一个已加工的零件，无法修补一次失败的应力测试。物理迭代每次耗资1万至100万美元，耗时数周。
问题3：关键知识是部落性的
最有价值的工程知识根本没有被记录：
- "这家供应商的材料合格证不可靠"
- "那个公差理论上可以实现，但实际上不可能"
- "图纸说用方法A，但大家都知道方法B才真正有效"
基于文档训练的智能体会错过让事情在生产中真正奏效的机构知识。
Gottlieb架构：五资产智能体系统
我们的架构受到五资产模型的启发。
多模态知识图谱
我们不做传统的文档RAG，而是维护一个包含五类节点的知识图谱：
- 图纸 ——CAD文件、BOM、装配图
- 工艺 ——制造规格、供应商文件、作业指导书
- 工装 ——设备能力、夹具设计、CNC程序
- 测试 ——验证报告、失效分析、材料合格证
- 专业知识 ——工程师注释、部落知识、决策依据
当工程师问"我们能替换这种材料吗？"时，智能体会：
- 检索图纸（几何形状和公差）
- 检查工艺文档（供应商资质状态）
- 查询工装约束（我们的设备能加工这种材料吗？）
- 审查测试数据（我们此前验证过这种材料吗？）
- 提取专业知识节点（高级工程师对类似替换记录了什么？）
答案综合了所有五类资产，而非仅仅是文档。
针对物理约束的验证
软件工程的智能体针对代码验证，我们的智能体针对物理现实验证：
符号约束检查：
- 材料特性数据库（实际强度，而非LLM猜测）
- 公差堆叠分析（几何数学，而非近似）
- 监管要求匹配（精确合规，而非"听起来对"）
高风险决策的多模型验证：
- 设计变更：两个LLM必须独立达成一致，加上符号验证器
- 材料替换：对照材料数据库和历史失效库进行检查
- 工艺修改：对照物理仿真验证，而非仅仅文本推理
不可逆行动的人机协同：
- 订购5万美元以上工装→需要审批
- 向制造部门发布图纸→需要PE签字
- 首件检验后的设计变更→需要评审
这与物理工程师的实际工作方式如出一辙：前期廉价分析，提交物理资源前进行昂贵验证。
机构知识捕获
最难的问题：在部落知识消失之前将其捕获。
我们的方法：
- 决策轨迹记录： 每当工程师否决智能体建议时，我们捕获原因
- 失效注释： 原型机失效时，工程师标注相关图纸/工艺/决策
- 评审周期作为知识生成： 高级工程师评审对智能体进行微调
- 协作精化： 智能体提议，工程师纠正，纠正成为新的专业知识节点
示例：智能体建议一种焊接顺序。工程师说："不，先焊这些接头，否则热变形会影响最终尺寸。"这成为一个与该几何类型关联的专业知识节点，丰富未来的建议。
随着时间推移，智能体不只是检索文档——它积累了让经验丰富的工程师变得有价值的机构知识。
这能实现什么：复利效应
通过尊重五资产模型，我们得以实现传统智能体无法实现的能力：
跨项目知识迁移： "展示我们在高温应用中使用Inconel 718的每一次记录"——检索跨越10年项目的图纸、工艺、测试数据和失效记录。
供应商风险评估： "这家供应商刚刚换了所有权"——智能体提取该供应商的所有零件、替代来源、历史质量问题和重新认证要求。
带安全护栏的快速设计迭代： 工程师草拟一项修改，智能体对照图纸标准、制造能力、材料可用性、类似变更的历史失效以及监管要求进行验证，在任何物理原型制造前提出改进建议。
新人加速上手： 新工程师问："我们为什么选择这个轴承？"智能体提取：分析过程（测试数据）、决策依据（专业知识节点）、已考虑的替代方案（存档图纸），以及起决定性作用的制造约束（工艺文档）。
更深层的洞见
这是我们的所学：物理工程的AI智能体不能只是更聪明的搜索。它们必须对工程知识实际存在的方式进行建模——分散、相互依赖，并在数十年间不断积累。
软件智能体可以是革命性的，因为软件是可塑的：快速部署，允许失败，迅速修补。
物理工程的智能体必须是演进式的：它们在时间中积累机构知识，在安全约束内实现更快的迭代，并在代价高昂的失效发生前阻止它们。
讽刺的是，这使它们比纯软件智能体更具防御性。我们的护城河不是LLM或代码——而是我们为每位客户构建的五资产知识图谱，以可查询、可复利的形式积累他们的机构知识。
这是物理行业AI的未来：不是取代工程师，而是最终给予他们一个尊重其知识实际运作方式的系统。
