夜雨聆风编程领域之所以能成为AI最先跑通的行业，是因为代码天然就是上下文——它结构化、可验证、权限简单。当我们将目光投向基础设施检测这类传统行业时，会发现每一条都是反着来的。数据像垃圾一样堆在那里，非结构化、权限复杂、输出无法自动验证。真正的瓶颈，从来不是模型够不够强，而是正确的上下文能不能送到AI手里。
最近Box的CEO Aaron Levie说了一句话，我觉得比大多数AI峰会的PPT都值钱：企业要让AI agent真正干活，最大的瓶颈是怎么把正确的上下文送到agent手里。这话初听平淡，细想很深。
编程领域为什么是AI最先跑通的行业？不是因为程序员更聪明，而是因为代码天然就是上下文——代码库摆在那里，agent直接读；权限通常不是主要障碍；用户本身就懂技术，知道怎么跟AI协作；最关键的，代码跑不跑得通，一运行就知道，输出可验证。四个条件，编程全占了。
我在公路养护干了十七年，2023年转到检测公司。把这四个条件往基础设施检测这个领域上一套，发现每一条都是反着来的。
第一，上下文可获取性。 说出来你可能不信，数据我们其实都有。每一份交出去的检测报告，公司都有备份留存。问题是这些备份像垃圾一样堆在那里，从来没有被真正用起来。早年的全是纸质件，锁在档案柜里;最近几年才渐渐开始电子化，但大多数是扫描版PDF——人眼能看，AI agent读不了。企业数据中约80%-90%属于非结构化类型。你让agent从一张扫描的道路检测报告里提取路面强度数据？它看到的只是一堆像素。数据不是没有，是没有变成机器可读的格式。
第二，权限简单性。 检测数据背后牵着市政管理部门、养护公司、业主方，有时候还有设计院和监理。一份报告从采集到出具到审批，经手的角色比一个中型公司的组织架构还复杂。目前89%的制造企业存在严重的“数据孤岛”问题，生产执行系统、仓储管理系统与营销平台的数据格式互不兼容，导致数据难以关联分析。编程世界里权限“通常不是主要障碍”的前提，在这里完全不成立。
第三，用户与工具的错配。 我们一线检测工程师的核心能力在现场——看一眼裂缝就能判断是荷载裂缝还是温度裂缝，这种本事AI短期学不会。但现有的AI工具都是为坐在电脑前的人设计的，和现场作业场景之间有巨大的界面鸿沟。这不是培训两天能填上的。
第四，输出可验证性。这一条最要命。代码对不对，跑一遍就知道。但一份桥梁检测报告的结论——这座桥评定为二类还是三类，需不需要限载——这背后是工程师的经验判断，是对规范的理解，是对这座桥历史状况的记忆。agent自己验证不了。报告指出，90%的用户不愿在关键任务中使用AI系统，最主要的原因是AI系统缺乏持续学习和记忆能力，每次都需要重新理解上下文。
四条全不满足。这就是为什么AI在编程领域已经飞了，而在检测行业还在摸着石头过河。
但反过来想，这恰恰是机会所在。
真正的瓶颈不在模型，在“上下文”
沿着Levie的思路，一个清晰的判断是：模型能力迟早会拉平，OpenAI能用的模型你也能用。真正构成差异的，是上下文。谁先把自己行业里那些散落的、非结构化的、锁在各种系统和脑子里的知识，整理成AI能读懂、能调用的格式，谁就拿到了最大的红利。但光整理一次还不够。Levie原话说的是“retool their workflow”——重构工作流。真正的壁垒不是做一次数据梳理就吃老本，而是把上下文的整理变成团队日常工作流的一部分，让它持续更新、持续积累。
Gartner预测，超过40%的代理AI项目将在2027年前因成本上升、商业价值不明或风险控制不足而被取消。另有报告显示，94%的组织在部署代理AI后遇到后续运营问题。这些数据印证了一个事实：AI落地的挑战不在技术本身，而在技术如何融入真实业务流程。
在高端制造领域，工艺知识传承正面临同样的问题。设计草图、工艺参数记录、专家笔记等隐性经验正在流失，企业通过构建RAG底座，将分散的图纸、工艺卡等非结构化数据转化为AI可理解、可推理的知识。基于“人工智能+工业”的工业智能模式，能够将隐形的知识、经验和规则转化为人工智能可学习的结构化知识，实现从数据堆砌到智能决策的跨越。这正是传统行业拥抱AI最实在的第一步。
一个真实案例：裂缝背后藏着什么？
举个具体的例子。我们在养护中碰到桥梁铺装层出现纵向裂缝，一般从道路养护的角度，会把它当作铺装层的基本病害，做灌缝处理就完了。但当这条纵向裂缝长度较长、反复出现，或者出现在特殊位置的时候，有经验的人会立刻警觉——这座桥是不是简支空心板梁？如果是，这条裂缝很可能不只是铺装的问题，它指向的是铰缝的破坏趋势和受力异常。接下来要考虑的就不是灌缝了，而是要不要增加特殊检测来确认承载能力是否充足，有没有断连接、形成单板受力的趋势。
从一条裂缝到结构安全判断，中间跳了好几层。每一层都是经验，都是上下文。这种东西，你不告诉AI，它永远不会自己推出来。
行业已经先行：知识库+AI的探索
事实上，部分企业已经开始探索将行业知识系统化沉淀的路径。够快云库通过构建企业级RAG（检索增强生成）底座，将分散的图纸、工艺卡等非结构化数据转化为AI可理解、可推理的知识，结合自然语义检索与细颗粒度权限引擎，实现专家经验的精准传承。上海理工大学的研究团队则构建了一套包含四阶段的全流程诊断框架，基于大语言模型自动化构建知识图谱，并通过提示工程融入领域知识，实现基于检索上下文的可解释故障分类与归因分析。这些实践表明，将隐性知识显性化、结构化的技术路径已经可行，核心在于企业是否愿意投入。
所以，别急着追模型
所以我现在想的不是“AI什么时候能替代检测工程师”这种空泛的问题。我想的是一个更具体的事：怎么把我脑子里、团队脑子里、这个行业几十年积累下来的隐性知识，变成显性的、结构化的、机器可读的上下文，并且让这个过程嵌入日常工作，而不是搞一次运动。
技术会迭代，模型会更新，但你对自己行业的深度理解，以及你把这种理解转化为AI可用上下文的能力——这才是真正稀缺的东西。正如一份行业报告所言，通用算法模型已不再是稀缺资源，真正构成长期护城河的是三大维度的组合：私有数据资产、深度行业认知、高频闭环反馈。
*参考自Box CEO Aaron Levie的公开分享
