L4
应用层 AGENTS
把知识接进真实业务动作：问答、选型、成本测算、方案生成、风险检查和商机匹配。
ACTION
01 / THE STACK
分层建设，
才能复制。
把数据、知识、模型和应用拆开，每一层都能独立替换、独立评测。换一个行业时，不需要从零重做整套系统。
L4 → L1
REPLACEABLE / EVALUABLE / PORTABLE.
L3
模型层 REASONING
RAG、工具调用、多智能体、评测与护栏。模型负责推理，知识负责给出边界。
REASON
L2
知识层 KNOWLEDGE
术语、规则、工艺路径、标准条文、造价指标与企业关系，被组织成可检索、可推理的结构。
STRUCTURE
L1
数据层 CORPUS
标准图集、企业资料、项目案例、专家访谈与现场数据。持续采集、清洗、版本管理和来源标注。
SOURCE
02 / PIPELINE
知识工程的
六道工序。
行业 AI 不是一个提示词工程。真正的工作量，在资料进入模型之前，和答案走出模型之后。
01 / COLLECT
采集
标准、图集、企业资料、项目案例、专家访谈和现场数据，先建立可持续的来源清单。
02 / CLEAN
清洗
去重、纠错、版本管理、来源标注。过期条文和错误做法，比没有知识更危险。
03 / STRUCTURE
结构化
拆成术语、规则、工艺路径、适用条件和边界，让知识从“可读”变成“可计算”。
04 / LINK
关联
把标准、工艺、材料、造价、企业和项目连起来，回答才能跨文档、跨场景。
05 / EVAL
评测
用真实问题集测准确率、引用率和拒答边界。没有评测集的行业 AI，只是在碰运气。
06 / DEPLOY
上线
接进问答、选型、报价和方案，让真实使用中的反馈回流到知识和评测。
03 / CAPABILITIES
智能体能做的，
不止回答问题。
当知识、工具和业务数据接通，智能体可以从“解释”走到“执行”，但每一步都要留下可追溯的依据。
01 / ASK
专家问答
带引用的多轮问答，能追问、能对比、能明确说出“需要现场检测”的边界。
02 / SELECT
选型
按场景、基层、荷载、化学介质和工期，缩小材料与工艺体系的选择范围。
03 / COST
成本测算
拆解基层处理、材料、人工和机械，识别项目变量，不把均价当结论。
04 / PLAN
方案生成
把工艺、材料、验收点组织成可交付的方案草稿，供人修改和确认。
05 / CHECK
风险检查
对做法、节点和验收条件做一致性检查，提前暴露“看起来对、实际会出问题”的地方。
06 / MATCH
商机匹配
把项目机会与能力、区域和案例匹配，让线索进入可执行的业务判断。
04 / NOT A WRAPPER
为什么它
不是套壳？
通用模型可以生成一段像模像样的文字，但工程决策需要的不是“像”，而是“有依据、有边界、能复核”。
| 维度 | 通用模型 | ZGSI 行业大脑 |
|---|---|---|
| 知识来源 | 公开语料，行业密度低 | 标准、图集、企业资料、项目案例、专家访谈 |
| 引用与出处 | 不稳定，常无法追溯 | 结论尽量附条文、案例或专家来源 |
| 行业术语 | 泛化理解，容易混淆 | 术语表 + 规则 + 场景边界 |
| 价格与成本 | 难以给出结构 | 按区域、工艺、面积拆解成本 |
| 场景边界 | 容易一本正经地给出错误答案 | 明确“需要现场检测 / 专家判断” |
| 评测 | 通用 benchmark | 每个行业自建真实问题集 |
| 更新机制 | 随模型版本变化 | 知识库持续更新、可回溯 |
05 / EVAL & BOUNDARY
知道，
也知道不知道。
行业 AI 的可信度，不取决于它说得多流畅，而取决于它能否在证据不足时停下来。
- 引用可追溯：回答尽量附标准、案例或专家来源，方便复核。
- 评测集：每个行业建立真实问题集，持续测准确率、引用率和拒答率。
- 专家复核：高风险结论进入专家复核，不把模型输出当最终意见。
- 会说我也不知道：证据不足时，明确要求现场检测或专家判断。
- 数据隔离：企业私有资料独立存放，按权限使用，不混入公共知识。