AI 与 Agent 深度解析:一个机电设计师的硬核拆解

不聊概念，只拆原理。不讲套话，只讲你能用的判断框架。

写在前面：为什么机电设计师需要搞懂这个

如果你跟我一样是搞机电设计的，你大概率遇到过这种情况——

同事跟你说"现在AI都能自动出图了"，甲方甩过来一个AI生成的方案让你"看看行不行"，老板开会说"我们要拥抱AI"，然后扔给你一个账号让你"研究研究"。

问题来了：你能判断这个AI给出的建议靠不靠谱吗？你知道AI到底在哪个环节可能掉链子吗？

这就像做电气设计时，你要知道断路器的工作原理，才能判断它在什么情况下会跳闸、什么情况下不会。你不一定需要会造断路器，但你要知道它的"脾气"。

这篇文章，就是帮你搞清楚AI和Agent的"脾气"。

等一下，先打个脸

抱歉，我得收回之前说过的一句话。

之前我在某篇文章里说，那篇是「AI系列工具的终结篇」——讲完就收工。但最近几次和同行、朋友的交流让我发现，有些问题不讲透，大家还是迷糊。所以这脸，我打了。

你知道"Token"，但你真的会用吗？

现阶段，身边接触过AI的人越来越多了。但我发现一个很有意思的现象——

很多只用过豆包、Kimi 问答的人，也会觉得自己「AI经验丰富」。

为什么？因为大家接触的AI知识，普遍都是口水类的，不是应用类的。

什么叫口水类知识？Token、算力、参数、模型架构、Prompt Engineering……这些词你背得再熟，本质上还是「名词解释」。它能让你跟人聊天时显得很懂，但当你真正打开一个AI工具要做点实事的时候，你会发现——

你连第一步该输入什么都不知道。

什么叫应用类知识？是你知道AI执行一个任务的完整链路：它先读到你的指令 → 理解你的意图 → 判断需要调用什么工具 → 调用工具拿数据 → 用拿到的数据生成结果 → 再检查一遍格式 → 输出给你。

你看不到这个过程，你就永远只会用它聊天。你看得到这个过程，你才能用它干活。

打个比方：你让一个刚毕业的实习生去「整理一下这个项目的设备清单」。如果你不告诉他去哪里找文件、用什么格式整理、检查标准是什么——他大概率交上来的东西跟你想要的差十万八千里。

AI 也一样。你如果只会丢一句话给AI，那你得到的永远是「AI水平也就那样」的体验。但如果你理解它的执行链路，知道在哪个环节可以给它什么提示、约束、工具——你就能让它做出让别人惊呼「这怎么做到的」的东西。

下面这篇文章，前半部分给你拆原理，后半部分给你看案例。原理不难，案例都是真刀真枪跑出来的。

第一章 AI 到底是怎么"干活"的

1.1 先说一个比喻：AI 是一个超级"完形填空"机器

机电设计师都做过负荷计算。给你一个建筑平面图、房间功能、设备清单，你根据经验套公式，算出每个回路的负荷，选出合适的断路器和电缆。

AI 干的事，本质上是一个"反向负荷计算"——

给它前面的文字，它预测后面最可能是什么。

只不过它"预测"的不只是负荷值，而是下一个字、下一段话、下一张图片的像素。

具体来说，分三步：

第一步：把文字变成数字

AI 不认识汉字。它把每个字、每个词都转化成一个高维向量——可以理解为在几千维空间里的一个坐标点。"变压器"和"配电柜"的坐标离得近，"变压器"和"抹茶拿铁"的坐标离得远。这一步叫 Tokenization + Embedding。

在机电设计里，这相当于你打开一本设备选型手册，每个设备型号在你脑子里有一个"位置"——你知道ABB的Emax和施耐德的MT系列是同类产品，而和格兰富的水泵不是一回事。

第二步：注意力机制——"看图找关键节点"

这是 Transformer 架构的核心。模型在处理一段文字时，会同时关注所有位置之间的关系。

打个比方——你审一套电气系统图时，眼睛不会按从左到右顺序读。你会直接跳到负荷计算表，看总容量；然后跳到系统图，看主开关选型；再跳到平面图，看桥架走向。你的注意力在"跳"。

Transformer 的 Self-Attention 干的就是这个：让模型能"跳跃式"地理解整段文字的上下文关系。这就是为什么AI写出来的文章不会前言不搭后语——它每一句话都"看过"了前面所有的内容。

第三步：逐字生成

模型不是一次性"想好"整段话再输出。它是一个字一个字往出"蹦"的。每次蹦之前，它都会算一遍：给定前面已经蹦出来的所有字，下一个字最可能是哪个。

这导致了一个关键特性，也是它最大的弱点——AI 没有"全局规划"能力。它不先想好整篇文章的框架再落笔，它是写一句是一句。

一个资深机电设计师做方案时，先有全局判断：这个项目用树干式还是放射式供电，大概需要几台变压器，核心机房放哪。然后再逐项细化。

AI 不是这个逻辑。这也解释了为什么AI写的长文容易"跑偏"——它不是在执行一个整体方案，而是在持续做"下一个字预测"。

1.2 AI 是怎么"画图"的——扩散模型的逆向思维

文生图（Midjourney、Stable Diffusion、DALL-E）用的是扩散模型（Diffusion Model），原理和文字生成完全不同。

核心逻辑：从噪声里"还原"出一张图。

过程是这样的：

1. 先随机生成一张"雪花屏"——纯噪声

2. 模型一步步"去噪"，每一步都让图像更清晰一点

3. 文本描述（你的prompt）在这个过程中不断"引导"去噪的方向

4. 经过几十步迭代，从噪声变成一张清晰图像

这跟机电设计里的"从概念到施工图"有异曲同工之处：你先有一个模糊的想法（噪声），然后逐步细化——初设→扩初→施工图，每一步都在"去噪"。只是AI把这个过程压缩到了几秒钟。

但这里有第一个关键限制：扩散模型生成的是"看起来像"的图，不是"符合工程逻辑"的图。

你让AI生成一张"配电柜内部接线图"，它可能画出一个看起来很像的东西——有线、有开关、有标签，但仔细看线全接错了。因为它学的是"配电柜长什么样"，而不是"配电柜应该怎么接"。

这也是为什么AI生成的效果图很惊艳，但生成施工图基本不能用。

1.3 AI 是怎么"做视频"和"做PPT"的

视频生成（如 Sora）：把视频看作一系列连续的"时空碎片"（spacetime patches），在潜空间里用扩散模型生成。技术原理上你可以理解为"文生图的3D版"——只是多了一个时间维度。

PPT 生成：目前主流方案是"AI内容编排 + 模板渲染"两层架构。AI 负责生成每页的文字内容和结构建议，然后由模板引擎套用到预设版式中。本质上，AI 不是在"设计"PPT，是在"填空"。所以市面上AI生成的PPT，排版千篇一律——因为渲染层是固定的。

第二章 Agent 是怎么"干活"的——比 AI 多了一双手

2.1 Agent 和 AI 的核心区别：有没有"行动能力"

普通人用的 ChatGPT 是一个"问答机器"：你问，它答，答完就完了。

Agent 是一个"执行机器"：它不仅能回答，还能去查资料、写文件、改代码、调用外部工具。

学术上把 Agent 定义为：

Agent = 大语言模型（πθ）+ 记忆系统（M）+ 工具集（T）+ 验证器（V）+ 环境（E）

用机电设计师的话翻译一下：

2.2 Agent 的执行循环——五个步骤看透本质

Agent 不是"一句话就干完"的，它有一个严格的执行循环。来自 2026 年最新的学术综述（arXiv:2601.01743），每个 Agent 都在执行这五步：

用"机电设计师做变配电所设计"来类比：

我现在帮你写这篇文章的过程，就是 Agent 在运转——我先搜索资料（步骤1-2），然后规划内容结构（步骤3），写之前检查信息是否准确（步骤4），最后落笔成文（步骤5）。

2.3 Agent 的三个核心能力：搜索、写文件、调用工具

能力一：联网搜索

Agent 搜索不是简单的"百度一下"。它经历了这样一个过程：

1. 理解你的问题 → 提取关键词

2. 构造搜索词（中英文、专业术语转换）

3. 调用搜索引擎API

4. 读取搜索结果页面

5. 提取关键信息

6. 整合到回答中

这里面每一步都可能出问题：搜索词不准、结果被SEO污染、提取信息时误读、整合时断章取义。

对机电设计师来说：你让 Agent 查"变压器容量计算"，它搜到的可能是一堆培训班广告和过时的百度文库文章，而不是 GB 50053 或施耐德的技术白皮书。

所以好的 Agent 会同时搜中文和英文、学术和厂商文档，然后交叉验证——这恰恰是普通 AI 对话做不到的。

能力二：处理和编辑文件

Agent 处理文件不是"打开文件看看"，而是通过专门的工具（Tool）来操作。

以我现在为例：我使用 Read、Write、Edit 等工具来读写文件。每次操作都有严格的格式要求——读取什么路径、修改哪些内容、写入什么格式。

Agent 编辑文件的核心流程是：

这就像你在 Revit 里改模型——你不是直接"修改数据库"，而是通过 Revit 的界面操作，Revit 帮你完成底层的数据变更。Agent 的工具（Tool）就是它的"Revit 界面"。

能力三：生成结构化报告

Agent 生成 Markdown 报告的能力来自于它能把"零散搜索结果 + 用户需求"整合成一个有逻辑的结构。

具体流程是：

1. 多轮搜索，积累原始素材

2. 提取共性和差异点

3. 按逻辑层次组织内容

4. 标注来源和数据

5. 格式化为 Markdown 输出

这套流程跟机电设计师写"设计说明"是一模一样的逻辑——收集条件（甲方要求、规范条文）→分析方案→组织论证→格式排版。

2.4 MCP 协议：Agent 的"万能转接头"

MCP（Model Context Protocol）是 Anthropic 在 2024 年底推出的一个开放标准。它的作用类似于机电行业里的 IFC 格式——一个让不同软件之间能互操作的通用语言。

在 MCP 出现之前，每个 Agent 工具都要单独开发接口，就像 Revit 和 AutoCAD 和天正的模型互相导不进去一样痛苦。

有了 MCP，任何一个符合 MCP 标准的工具，Agent 都能直接调用——就像有了 IFC，不同 BIM 软件之间至少能互相读模型了。

目前 MCP 生态里已经集成了文件系统、数据库、浏览器、GitHub、飞书、微信等几十种工具——Agent 通过这些"转接头"获得了前所未有的行动能力。

2.5 两个实战案例：看 Agent 到底是怎么"干活"的

理论讲完了，来看两个我亲自跑过的案例。看完你就知道 Agent 的执行链路在真实场景里长什么样。

案例一：用 WorkBuddy 做一个公司年会抽奖软件

需求：公司年会上需要一个抽奖软件，能自动读取文件夹里的员工姓名和头像照片，在大屏幕上滚动显示，点击抽奖随机选出中奖者。

听起来挺复杂？来看 Agent 是怎么一步步做出来的。

第一步：理解需求，规划方案

Agent 收到指令后，不是直接开始写代码。它先做了这些判断：

• 需要读取本地文件夹 → 用文件系统工具（ls、Glob 列出文件）
• 需要显示头像和姓名 → 生成一个 HTML 页面做前端界面
• 需要随机抽奖逻辑 → 用 JavaScript 实现随机抽取
• 需要"大屏幕可展示" → 做全屏响应式设计

这是 Agent 的「思维发散」阶段——它先想清楚「这个任务需要分解成哪几步」。

第二步：读取数据，确认输入

Agent 先用 ls 命令扫描文件夹：

然后它发现文件名就是员工姓名，但有些文件是 .jpg，有些是 .png，还有一个是 .webp。Agent 会自动处理这些格式差异。

第三步：生成前端代码

Agent 调用 Write 工具，生成一个完整的 lottery.html 文件，包含：

• CSS 动画（滚动效果、中奖高亮）
• JavaScript 读取文件列表的逻辑
• 中奖算法（确保不重复抽取）
• 按钮交互（开始滚动 / 停止 / 重置）

整个过程不是「AI 口述代码让你自己复制粘贴」——是 Agent 直接在你的电脑上创建了这个文件。

第四步：为什么打开 .exe 会跳到浏览器？

这是很多人问过我的一个问题。Agent 生成的抽奖软件本质上是一个 HTML 网页，不是传统意义上的 Windows 桌面程序（.exe）。

如果包装成 .exe，用的是 内嵌浏览器壳 技术（比如用 Electron 或 NW.js 把 HTML 打包成桌面应用）。当你双击 .exe 时，它实际启动了一个简版浏览器内核，然后在这个内核里打开那页 HTML。

对你来说，效果是一样的——全屏展示、点击抽奖、动画流畅。但它和传统软件（如 AutoCAD）的本质区别在于：

这也是一个重要的认知：Agent 擅长的不是"造软件"，而是"造工具"。它生成的 .exe 本质上是一个网页壳，不是从零编译的原生程序。但对你来说，「能跑、能用、能完成抽奖」就够了——你不需要关心它底层是 C++ 还是 HTML。

案例二：用 IMA + WorkBuddy 做数据中心短路校验计算书

这是更能体现 Agent 和「纯 AI 对话」差距的一个案例。

需求：做一个 Excel 计算书，用于数据中心配电系统的短路电流校验。要求能下拉选择变压器容量、电缆截面等参数，自动用 VLOOKUP 匹配对应的阻抗值，套用公式自动算出短路电流。

普通 AI 对话能给你什么？

你问豆包或 Kimi「帮我做一个短路计算 Excel」——它大概率给你一段文字描述：「你可以用这个公式 Isc = U / Z，其中……」然后附一个基本公式。剩下的你得自己开 Excel、自己建表格、自己写函数。

Agent 怎么做？

这里涉及一个多工具协同的复杂流程：

环节一：从 IMA 知识库获取权威数据

Agent 通过 MCP 协议连接你的 IMA 知识库。你的知识库里有：

• GB 50054《低压配电设计规范》全文
• 19DX101-1《建筑电气常用数据》图集
• 《工业与民用供配电设计手册》第四版
• 施耐德、ABB 的变压器阻抗参数表

Agent 先搜索知识库，把短路计算需要的参数全部提取出来：

这些数据不是 AI 「编」的，是从你知识库里的权威文档中原样提取出来的。

环节二：用 xlsx 工具生成 Excel

Agent 调用专门的 xlsx 工具（不是 AI 口述公式，是直接操作 Excel 文件格式），生成一个 .xlsx 文件：

1. **Sheet 1「参数输入」**： 变压器容量 → 下拉菜单（数据验证）：500 / 630 / 800 / 1000 / 1250 / 1600 / 2000 kVA 电缆截面 → 下拉菜单：240 / 185 / 150 / 120 / 95 mm² 电缆长度 → 手动输入 短路点位置 → 下拉菜单：变压器低压侧 / 一级配电柜 / 二级配电柜

2. **Sheet 2「参数库」**（隐藏）： 所有变压器型号的 Uk%、△Pk 参数表 所有电缆规格的 R、X 单位阻抗表 系统阻抗基准值

3. **Sheet 3「计算结果」**： 使用 VLOOKUP 从参数库自动匹配： =VLOOKUP(B3, 参数库!A:D, 3, FALSE) // 查变压器Uk%=VLOOKUP(B5, 参数库!F:I, 2, FALSE) // 查电缆R值 套用短路计算公式： Z_sys = Un² / S_k" // 系统阻抗Z_T = Uk% × Un² / (100 × S_NT) // 变压器阻抗Z_L = L × √(R² + X²) // 线路阻抗I_k" = c × Un / (√3 × Z_total) // 三相短路电流 自动生成结果：三相短路电流、单相短路电流、冲击电流

环节三：验证与美化

Agent 生成完 Excel 后，还会自动检查：

• 公式引用是否合法（单元格是否存在）
• 下拉菜单绑定的数据范围是否正确
• 数值格式是否统一
• 添加条件格式（短路电流超标时标红）

这个案例的关键洞察：

对比一下两种方式，差距就出来了：

这就是「看得懂执行过程」和「看不懂执行过程」的天壤之别。如果你只知道 Token、算力这些口水词，你不会想到 Agent 能这样干活。但一旦你理解了 Agent 的执行链路——它有什么工具、工具之间怎么协同、每一步产出什么——你就知道它真正的能力边界在哪，也知道该怎么「指挥」它。

两个案例合在一起，告诉我们一件事：

AI 对话只是"嘴"，Agent 才是"手"。有嘴只能聊天，有手才能干活。而你能不能把手用利索，取决于你对它"怎么动手"了解多深。口水知识让你听起来很懂，应用知识让你真的能用。

2.6 Agent 的隐藏武器：为什么 Python 是它的主力语言

前面讲的两个案例里，Agent 都在幕后悄悄用了编程语言。这一节专门把这件事拆开讲——Agent 有了编程能力之后，能做到什么你意想不到的事。

为什么是 Python？

Agent 执行编程任务时，绝大多数情况下会选择 Python。原因很简单：

• Python 的库生态最全——处理 Excel 有 openpyxl，处理 PDF 有 PyPDF2，处理图片有 Pillow，做数据分析有 pandas，画图有 matplotlib
• 脚本语言不需要编译，写完直接跑，符合 Agent "快速试错→修正→再跑"的工作模式
• 语法简洁，Agent 生成代码的出错率明显低于 C++ 或 Java

对机电设计师来说，把 Python 理解为 Agent 的"万能工具箱"就行了——Agent 不会自己动手拧螺丝，但它知道工具箱里有什么，需要什么就拿什么。

Agent 用 Python 能处理哪些文件类型？

这是一张实实在在的清单，每个类型我都验证过：

重点展开几个：

Excel 处理是 Agent 最擅长的方向。它可以用 Python 的 openpyxl 库，精确控制每一个单元格——写公式、设置数据验证（下拉菜单）、条件格式（超标标红）、单元格样式（字体/颜色/边框）、工作表保护。你让 Agent 做一个带 VLOOKUP 自动查表的计算书，它从创建文件到写好公式到格式化到验证，一气呵成。

PDF 处理分两个方向：一是读取——Agent 用 PyPDF2 或 pdfplumber 抽取 PDF 中的文字和表格。比如你把一本 GB 50054 的 PDF 丢给它，它能提取出"第 6.2.3 条 配电线路的过负荷保护……"的完整条文。但注意：扫描版 PDF（图片格式）需要先做 OCR，准确率会打折扣。二是生成——Agent 用 reportlab 或 fpdf 把计算过程和结果整理成带封面、带目录的正式 PDF 报告。

图片处理对机电设计师特别实用。现场拍回来的设备铭牌照片，Agent 可以先用 Pillow 裁剪到铭牌区域，然后 OCR 识别出型号、功率、出厂编号——五分钟搞定人工录表半小时的活。

HTML 生成是 Agent 的"万能前端"。任何需要可视化、交互式的东西——数据看板、抽奖软件、计算器工具、进度追踪表——Agent 都能生成一个自包含的 HTML 文件，双击就能在浏览器里跑，不需要安装任何软件。

Agent 用 Python 能生成什么类型的程序？

不是所有程序都叫"软件"。Agent 能生成的程序，按复杂度从低到高排列：

第一类：一次性脚本（Script）

最常见的用法。Agent 写一个几十行的 Python 脚本，跑完就完成任务。

比如："把这份 CSV 格式的电缆清册，按电压等级拆分成三个 Excel 分表，每个分表里按截面从大到小排序。"

Agent 生成脚本 → 执行 → 输出三个 Excel → 删除脚本。整个过程你不用看一行代码。

第二类：交互式计算工具（Interactive Tool）

脚本基础上加了输入接口。可以是命令行问答式，也可以是 HTML 网页界面。

比如前面案例里的短路计算书——下拉选变压器容量、输入电缆长度，自动输出结果。这本质上是一个"Python 写的计算引擎 + Excel 做界面"的混合体。

再比如一个暖通负荷估算工具：输入房间面积、功能、朝向，Agent 生成一个带表单的 HTML 页面，背后 Python 套用面积指标法公式，实时输出冷负荷估算值。

第三类：自动化批处理工具（Batch Processor）

对着一堆文件做重复操作的程序。

比如："把这个文件夹里 200 张设备合格证的扫描件，全部裁剪到 A4 尺寸，转成 PDF，按设备编号重命名。"

Agent 写一个批处理脚本，跑一遍，两分钟搞定你复制粘贴一上午的活。

第四类：数据可视化看板（Dashboard）

把 Excel 数据变成可交互的图表网页。

比如："用这份月度用电数据表，生成一个数据看板，有柱状图展示各区域用电、有折线图展示用电趋势、能切换月份。"

Agent 生成一个 HTML 文件，内嵌 ECharts 图表库，双击打开就是一个动态看板。

Agent 用 Python 做不到什么？

必须诚实地说清楚边界：

• 不能开发大型商业软件。Agent 擅长百行级别的脚本和工具，上千行以上的工程化软件（如 AutoCAD 插件、Revit 二次开发），可靠性和维护性是硬伤。
• 不能做性能敏感的程序。Agent 写的代码是"能跑"的水平，不是"最优"的水平。需要高性能计算的场景（如 CFD 流体仿真），不是它的赛道。
• 不能保证代码安全性。Agent 生成的代码没有经过安全审计，不要拿它跑涉及敏感数据或生产环境的任务。

第三章 AI 和 Agent 目前做不到什么——一个诚实的判断框架

3.1 AI 的三个能力天花板——从管综、审图、出施工图说起

很多人觉得 AI "挺聪明的"，只是"暂时还不会画图"。这是一个危险的误解。

AI 不是"暂时不会"，而是它的底层架构决定了它在某些任务上就是做不到。下面我用机电设计最核心的三个场景——管线综合判断、图纸审核、施工图出图——来一层层拆开，让你看清楚这个"做不到"到底卡在哪里。

3.1.1 为什么 AI 做不了管线综合判断

先说一个真实场景：一个地下车库的 BIM 模型里，暖通风管、电气桥架、给排水管道在走廊上方交汇。碰撞检测软件报了 200 多个碰撞点。

一个五年经验的水暖设计师拿到碰撞报告，十分钟就能告诉你：这 200 个里面，真正的硬碰撞只有 20 个；剩下 180 个里，有 50 个是软件误报（风口接管算成了碰撞），有 80 个是柔性碰撞（保温层碰在一起可以挤一挤），还有 50 个是软碰撞（间距不满足规范但不是硬碰）。

而 AI 拿到同一份报告，它只能告诉你"有 200 处碰撞"。它分不清硬碰撞和软碰撞，分不清哪些必须改、哪些可以妥协。因为——

第一，AI 没有真正的 3D 空间推理能力。

AI 看到的 BIM 模型，本质上是一堆坐标数字——(x1,y1,z1) 到 (x2,y2,z2)。它能用算法判断两个几何体是否在空间中重叠，但它无法像人类设计师那样，在你的脑海里把管道沿着走廊"走一遍"。

它不知道这根 DN150 的消防管如果要绕过那根 800×400 的风管，弯头需要占多大空间；不知道按 GB 50242 的要求，管道转弯处需要预留多少检修距离；更不知道现场工人能不能从这个角度把扳手伸进去拧紧螺栓。

这些判断需要的是空间直觉——你脑子里有一个 3D 模型，你能"走进去"看，能想象出工具怎么进去、手怎么伸进去。AI 没有这个能力。它处理的是数学坐标，不是物理空间。

第二，AI 不理解安装工序和施工逻辑。

管综判断的核心不是"找到碰撞"，而是判断安装顺序和可施工性。

举个例子：走廊里电气桥架在最上面，风管在中间，水管在最下面。理论上不碰撞，空间够。但实际施工时——桥架要先装（因为最上面），装了桥架之后下面的空间够不够工人操作？风管是分节吊装的还是地面组装后整体吊装的？如果先装了风管，水管工人是不是就没有操作面了？

这些都是管综判断中的核心问题，但 AI 完全无法处理——因为它没有"人拿着工具在三维空间里操作"的概念。它最多能做的，是根据规范条文检查间距是否达标（比如 GB 50016 要求的电气桥架与风管间距），但规范条文之外的施工可行性，它一概不知。

第三，AI 无法做多专业的"妥协"决策。

机电管综的本质不是技术问题，是博弈问题——三个专业都想走最短路径、最舒服的位置。

暖通说"我的风管截面大，不好翻弯，你们让让我"；电气说"我的桥架转弯半径有要求，弯头很贵"；给排水说"我靠的是重力排水，不能往上翻，你们都得给我最低位置"。

一个优秀的管综协调，是在这三个专业之间找到最优妥协方案——不是"规范允许的最小间距"，而是"多方都能接受的最合理排布"。这个过程涉及的不是规范对比，而是沟通、权衡和创造性方案。

AI 做的碰撞检测，其实就是"发现 A 和 B 在空间上冲突了"。它不会说"A 让 B 比较便宜，但 B 让 A 比较安全"，更不会说"你们三个别争了，我给你们一个谁都不吃亏的新路由"。

总结：管综判断，AI 能做的和不能做的

3.1.2 为什么 AI 做不了真正的"审图"

说到审图，很多人第一反应是"AI 审图已经在用了啊，上海浦东都上线了"。

是的，AI 审图在"规范条文匹配"这个层面确实已经在用了。但规范条文匹配 ≠ 审图。我说清楚这其中的差距：

审图关注三个层次，AI 只做到了第一层。

合规性审查，AI 做的是什么？

本质上是把图纸上的标注、尺寸、文字提取出来，跟规范数据库里的条文做文本匹配。

比如规范说"配电柜前操作距离不应小于 1.5m"，AI 在图纸上识别出"操作距离"这个标注，读出标注值是"1.2m"，跟 1.5 对比，判定不合格。

这看起来很智能，但它的本质就是——

1. OCR 提取图纸文字

2. NLP 识别这是"操作距离"标注

3. 在规范库里搜到"操作距离 ≥ 1.5m"

4. 数值比对：1.2 < 1.5 → 报不合格

这和搜索引擎没有本质区别。 这也是为什么上海浦东平台漏检率还有 12.64%——因为不是所有规范条文都能被还原为"关键词→数值"的机械匹配。大量的规范条文是定性描述，比如"配电柜应布置在便于操作和维护的位置"——"便于操作和维护"怎么用文本匹配？

合理性审查，AI 为什么做不到？

合理性审查需要的不是"翻规范"，而是"判断设计意图"。

举个例子：某项目变配电所的电气图纸上，低压配电柜进线电缆标注为 4×240mm²。审图老师拿过来一看，算了下负荷——实际需要 4×300mm² 才够。他提了一个审图意见："进线电缆截面偏小，建议核实。"

AI 能做这个判断吗？它需要：

1. 从系统图上读出每台配电柜的负荷

2. 汇总所有回路的负荷

3. 查电缆载流量表

4. 根据敷设方式做修正（桥架敷设→降容系数 0.8）

5. 计算需要的截面

6. 跟标注截面对比

这一步如果 Agent 有计算工具、有规范数据库，理论上可以做。但前提是图纸上的负荷信息被准确提取了——而这恰恰是最大的难点。CAD 图纸上的负荷标注可能是手写的、可能分散在多张图上、可能和系统图上的不一致——人类审图老师拿着图纸翻着看很快就能找到这些数字，AI 提取这些碎片化、非结构化的数据，准确率惨不忍睹。

更不要说更进一步的了：审图老师看到 4×240mm²，他脑子里的判断不只是"载流量够不够"，还有——

• 这栋楼的一级负荷，规范要求双回路供电，图上少画了一路；
• 这个电缆走桥架经过地下二层水泵房，环境潮湿，应该用防水型；
• 甲方之前提过扩容需求，4×240 勉强够用但没留余量，建议直接上 4×300。

这三个判断，涉及的不是规范条文，而是系统冗余、环境因素、甲方需求——AI 对这些一无所知。

完整性审查——AI 根本无法入手的领域。

审图老师看一眼你的图，几秒钟就能告诉你："你给排水平面图上没标给水引入管的位置。"

AI 做不到。因为它不知道"你这张图应该有哪些内容"——它不是看到了标注少了什么，而是你什么都没标，它就什么都不报。

这是一个"缺失检测"问题，而 AI 的专长是"存在判断"——给它一个东西，它能判断这个东西对不对。但缺了的东西，AI 看不见。

3.1.3 为什么 AI 出不了施工图

这是最多人关心的问题，也是最容易被误解的问题。

先说结论：AI 目前生成不了可用的机电施工图，不是因为模型不够大，而是因为它既不懂"图应该怎么画"，也不懂"图画的是什么"。

第一个层面：施工图的本质是什么？

施工图不是画，是工程约束的精确几何表达。

电气管线平面图上的每一根线，代表的是真实物理世界中一根确定规格的电缆，走在确定尺寸的桥架里，转弯半径不能小于某值，与暖通风管间距不能小于某值，穿过防火墙时必须做防火封堵。

AI 生成的图像（扩散模型），是在像素空间里"看起来像"的线，不是承载工程约束的几何对象。它画出来的"电缆"只是一条颜色对的线——没有图层属性、没有长度值、没有标注绑定、没有系统关联。

AutoCAD 和 Revit 里的图是由成千上万个几何对象组成的，每个对象都有关联的属性和约束。AI 生成的是像素，不是对象。

第二个层面：施工图需要多专业协同。

一套机电施工图包括电气、暖通、给排水、智能化四个专业，每个专业十几到几十张图。这些图之间不是独立的——电气平面图上的配电箱位置，必须和暖通平面图上的风管路由协调一致。

AI 每次"画"一张图都是独立的概率过程。它画了电气图，再画暖通图——两张图完全可能自相矛盾：电气图上的配电柜在暖通图上的同一个位置变成了风管。

因为没有统一的"建筑模型"在约束它——人类设计师画图时，大家共享同一个 BIM 模型（或至少同一套建筑底图），每个人的修改都基于同一个空间参照系。AI 没有这个参照系。

第三个层面：绘图标准和习惯是隐性知识。

施工图不是"画出来就行"的，它有一套行业约定俗成的标准——

• 电气桥架用什么线型表示？
• 不同电压等级的电缆用什么颜色区分？
• 标注文字多大字号？放在什么位置不遮挡线条？
• 图例符号是统一的还是各院自定的？

这些在规范里都没有明确写——它们是行业惯例、院标习惯，是靠师傅带徒弟一代代传下来的。AI 的训练数据里几乎没有这些内容——它学的施工图样本来自互联网公开的图纸，而这些图纸的线型、标注、图层信息在转换格式时基本都丢失了。

第四个层面：出图的最后一道关——人工校核无法替代。

任何一个设计院出图之前都有一道流程：专业负责人审核、校对、审定三级签字。

AI 生成一张图，谁来判断它画得对不对？还是得人看。既然人必须从头到尾看一遍，那 "AI 生成 + 人工校对" 和"人直接画"哪个效率高？

答案往往是人直接画。因为看别人画的错漏，比发现自己画的错漏难得多——你画的图你知道哪里不放心、需要重点检查；AI 生成的图你完全不知道它在哪里可能犯低级错误，得逐行逐根线地过。检查 AI 出的图，比你自己画一遍还累。

这也是为什么目前市面上所有的"AI 出图"产品，本质上都是辅助工具——帮你自动标注、自动生成系统图、自动填充图框——而不是"一键出图"。它们做的，是画图过程中那些机械重复的部分。而真正需要判断和决策的部分——怎么布、走哪条路由、选什么方案——它们和你我一样，还在等人类告诉自己。

三个场景合在一起的底层结论：

管综判断、审图和出施工图，AI 做不了的根源不在"模型不够聪明"，而在AI 的核心能力是模式匹配，而这三件事需要的都是模式创造和物理直觉。模式匹配能告诉你这张图和历史数据中哪张图像——模式创造是给你一张白纸和一堆约束，让你画出一个从来不存在的东西。这中间有一条鸿沟，一条不会因为模型参数多几个数量级就能填平的鸿沟。

3.1.4 另外四个不能忽视的限制

除了管综、审图、出施工图这三个高频场景，还有几个基础性限制你必须知道：

AI 在"猜"而不是"算"。

前面第一章讲过，AI 是逐字预测的，它没有内置的计算引擎。

你问"380V、150kW 的电机，额定电流是多少"，ChatGPT 可能给出一个接近正确的数字，也可能乱编一个。因为它不是用 P=√3·U·I·cosφ 去算的——它是在记忆里"翻"它见过的最像的答案。

这就是为什么 DeepSeek 和 Kimi 等新模型开始集成计算器工具——它们把"计算"外包给真正的计算引擎，而不是自己硬猜。

对机电设计师的判断准则：涉及任何数值计算的结论，必须自己验证，不能信任 AI 的口算。

AI 的"经验"来自训练数据，不是真实项目。

AI 的"知识"来自互联网文本、学术论文、开源代码——它没有在真实的机电工程项目里"摸爬滚打"过。

这意味着：

• 它知道 GB 50054 的条文，但不知道这条文在真实施工中到底怎么落地
• 它知道负荷计算的公式，但不知道实际项目中甲方会怎么"砍"负荷
• 它知道 BIM 碰撞检测的原理，但不知道碰撞报告里哪个可以不管、哪个必须改

AI 不会说"我不知道"。

这是最隐蔽也是最危险的一个限制。

AI 被训练成"永远给一个答案"。当它遇到不确定的问题时，它不会像人类设计师那样说"这个情况我没遇到过，得查一下"——它会根据概率编一个最"像"的答案。

在机电设计里，这种"自信的胡说"可能是致命的。比如你问"这个变配电所的通风量够不够"，AI 可能给你一个看起来很专业的计算过程和结论——但它是编的，没有用任何实际数据算过。

AI 的上下文窗口有限。

模型一次性只能"看到"有限长度的内容。目前最好的模型大约能处理 128K-200K token（约 10-15 万字），看起来很多对吧？

但一套完整的机电施工图设计说明、计算书、设备清单、系统图注——这些加起来远远超过这个量。所以 AI 无法"一次性"理解一个完整的机电项目，它只能分段处理，分段就会丢上下文。

3.2 Agent 特有的限制——"有手了，但手不稳"

限制一：长任务的错误累积

Agent 执行多步骤任务时，每一步的小错误会像滚雪球一样放大。

打个比方：你让 Agent 帮你整理一个电气设备清单。第一步搜索型号，搜到了过时的产品；第二步整理成表格，把停产型号写进去了；第三步生成报告，基于错误数据得出了错误的结论。

这个过程里，Agent 没有"全局质量检查"机制——它不像一个有经验的设计师那样，做到一半会停下来审视一下"这个方向对不对"。

这也是为什么 Agent Benchmark（如 SWE-bench）显示：即使最好的 Agent，在复杂编程任务上的成功率也只有 30%-50% 左右。机电设计任务只会更复杂、更不可逆。

限制二：工具的不确定性

Agent 执行动作依赖外部工具——搜索引擎、文件系统、API。这些工具可能：

• 返回不完整的结果（搜索只返回前三页）
• 因权限不足而失败（文件无法写入）
• 返回错误信息（API 挂了）

Agent 对这些工具故障的处理能力很有限。它不知道自己拿到的搜索结果是否完整，不知道文件写入是否真的成功了——它只能"信任"工具返回的状态码。

限制三：缺乏真正的"审图"能力

Agent 可以检查格式、可以比照规范条文、可以做一些模式匹配。但它做不到"审图"——审图需要的不是知识检索，而是将规范条文、工程经验、现场条件三者结合起来做综合判断。

2026 年国内最成熟的 BIM+AI 审图平台（如上海浦东 BIM 智能化审查平台），也只能覆盖 1525 条规范条文，准确率 87.36%——而且这个 87% 是"规范条文匹配"的准确率，不是"设计质量判断"的准确率。

规范条文匹配 ≈ 关键词搜索。真正的审图是：这个接法符合规范，但施工困难，要不要改方案？——这个问题 AI 没法回答。

3.3 一个实用的判断框架：AI/Agent 能做什么，不能做什么

一个黄金判断法则：

如果这个任务可以"在电脑前、靠纯文字/数据"完成，AI/Agent 就能帮上忙。 如果这个任务需要"去现场看、用尺子量、凭手感判断"，AI/Agent 就帮不上忙。

3.4 承认局限之后的务实打法：AI 生成 + 人工复验

前面花了大量篇幅说 AI 这做不到、那做不到，但如果你因此得出"那 AI 对我没用"的结论，那你就错过了最重要的东西。

AI 做不到 100 分，不等于它没有用。 真正的务实打法是——让 AI 做它擅长的"第一遍"，人做最后的"把关"。

这个模式在很多领域已经在跑了，最典型的就是审图。

审图场景：AI 初筛 + 人工校核

回到前面说的上海浦东 BIM 审图平台——1525 条规范条文，准确率 87.36%。

87.36% 的意思是：100 条审图意见里，有大约 13 条是错的或者漏的。这个数字单独看不够好，但如果换一种用法呢？

工作流是这样的：

这个流程的效率提升在哪？

传统审图，老师要从头到尾一条一条在几百页图纸里找问题——这是"大海捞针"。

AI 审图 + 人复核的模式下——AI 帮你把"可能有问题的地方"全部标记出来，审图老师只需要对标记出来的地方做判断——这是"对号入座"。

"大海捞针"和"对号入座"的精力消耗，差了不止一个数量级。

而且这个模式还有一个好处：审图老师的核心价值没有被替代，反而更聚焦了。 他不需要花精力在海量图纸里找"配电柜间距够不够"这种机械对比，而是把精力放在 AI 做不到的事上——判断设计合理性、发现遗漏项、提出优化建议。

不止审图——这个模式适用于所有"AI 能做 80 分"的场景

把"AI 初筛 + 人工复验"这个思路推而广之，你会发现它在机电设计的很多环节都适用：

两条铁律，记住就不慌

铁律一：AI 的产出，默认当"初稿"用，不要当"终稿"用。

你拿到 AI 生成的任何东西——计算书、审图意见、设备清单、设计说明——第一反应应该是"这里面哪些我需要核实"，而不是"这个直接就能交"。

铁律二：你越擅长的事，AI 帮你越省力；你完全不懂的事，AI 帮不了你。

这个道理很简单但经常被忽略。你能独立完成负荷计算，AI 帮你做一版初稿，你一眼就能看出哪里不对、哪里需要调整。如果你自己都不会做负荷计算，AI 给你的那份"计算结果"你看不出问题——那就是一个定时炸弹。

所以 AI 不是"替代你的专业能力"，而是"放大你的专业能力"。你的专业能力越强，AI 对你的加速效果越明显。

3.5 高手与新手，谁更需要 AI？——一个反直觉的答案

写到这里，我想起一个做机电顾问的朋友说过的一个观察。他说，在他们那种传统行业里的传统公司，准备真正的投标资料时——AI 给的东西再多，也只能以碎片化的方式嵌入到公司原有的标准化文件体系里，不可能直接拿来用，甚至不可能在它的基础上改。因为那一套是公司二十年的经验沉淀，是几十个项目的模板迭代出来的，不会因为 AI 的介入一夜之间改头换面。

他说得没错。但我想往深了再谈一层。

传统公司的"碎片化嵌入"——听起来像缺点，实际上是常态

一个二十年的机电顾问公司，它的投标文件体系是什么样的？

• 技术方案有标准模板，每类项目一套，从目录到章节到措辞都已经打磨成熟
• 计算书有固定格式和内部校核流程
• 设备清单有固定的供应商分级和比选框架
• 图纸有院标——图层命名、线型颜色、图框格式、标注规范，都是统一的

AI 生成的任何东西，要从"AI 给你的一份独立文档"变成"公司文件体系里的一个可复用模块"，需要拆解、重组、适配——这个过程就叫"碎片化嵌入"。

这听起来是 AI 的缺点，但实际上是所有新工具进入成熟体系的必然路径。二十年前 AutoCAD 刚替代手绘图纸时，设计院也不是一上来就扔掉所有手绘标准直接照搬 AutoCAD 默认设置——大家花了五到十年，才把原来的制图标准移植到 CAD 环境里，形成新的院标。BIM 替代 CAD 也是同样的过程。AI 要融入传统公司的文件体系，走的也是同一条路——渐进嵌入，而不是暴力替代。

但反过来看：新兴公司凭什么用 AI 完成从 0 到 1？

我朋友说的另一句话是：反而是没有什么积累的新兴公司，会借助 AI 迅速完成从 0 到 1 的突破。

这句话背后有一个残酷的真相：0 到 1 阶段，你缺的不是"经验"，而是"框架"。

一个刚成立的小团队去投一个机电标，最大的障碍不是"我没做过类似项目"——而是"我连投标文件的目录都不知道应该有哪些章节"。甲方要你交《技术方案》，你知道技术方案应该包含哪几部分吗？你知道每个部分大概写多少页、什么深度吗？你知道设备清单应该按什么格式列吗？

传统大公司的优势，恰恰就在于这个"框架"已经搭好了。他们的模板和体系，本质上就是把二十年踩过的坑、犯过的错、甲方的反馈、审图的意见，全部固化成了一套"不做错"的标准操作流程。

而对一个新公司来说——没有这个框架，打开 Word 就是一片空白。

AI 的价值就在这里。它不是给你"二十年的经验"，而是给你"一个还不错的起点"。它生成的投标文件框架可能粗糙、可能不够专业、可能需要大量修改——但至少不是空白。从 0 到 0.5，AI 帮你跨过去了。剩下的 0.5 到 1，靠的是你在项目里真刀真枪地打磨。

所以 AI 对不同阶段的公司，作用完全不同：

高手真的不需要 AI 吗？——高手也有盲区

我朋友还提到一个现象：真正的高手似乎对知识库、对 AI 工具不太感兴趣。他的理解是——"过往越优秀，越难去打破"。

这个观察很敏锐，但我想提供一个不同的视角。

高手不是不需要 AI，而是高手的需求更"精准"。

一个做了十五年变配电所设计的电气专家，你给他一个通用 AI 知识库，里面一堆入门级的规范条文和基础公式——他当然不感兴趣。这些东西他闭着眼睛都能背出来。你给他一个"帮你生成负荷计算 Excel"的工具——他还是不感兴趣，因为他自己有一套打磨了十年的计算书模板，比 AI 生成的好用一百倍。

但你问他——

• 你做了十五年国内项目，海外项目的中压配电方案和国内有什么区别？IEC 标准下保护配合怎么设计？中东项目的环境温度修正系数取多少？
• 你电气设计很强，但你知道这个项目的暖通方案里，冷却塔选型和水泵扬程是不是合理的？你怎么判断暖通专业给你的条件够不够？
• 你技术方案一流，但甲方让你做全生命周期成本分析（LCCA），初投资之外还要算二十年运维费用和能耗成本——你会吗？
• 你做惯了商业综合体和办公楼，突然来个芯片厂项目，洁净空调、工艺冷却水、微振动控制——你的经验够用吗？

任何一个"高手"，都只是在某个垂直领域的高手。 懂设计不一定懂施工，懂设计+施工不一定懂成本，这三个都懂不一定懂海外标准，全都懂——那新兴产业呢？数据中心、新能源、半导体工厂、生物医药实验室——这些项目类型的机电设计逻辑和传统公建完全不同。

而对高手来说，AI 最值钱的地方，恰恰在这些他不够"高"的领域。

举个例子：一个国内电气设计高手，第一次接触中东项目。他不需要 AI 教他怎么做负荷计算，但他需要 AI 帮他快速搞清楚——DEWA（迪拜水电局）的并网要求是什么？当地常用的电缆标准是 BS 还是 IEC？环境温度 50°C 下降额系数怎么取？当地有没有特殊的接地系统要求？

这些东西，如果他自己去查，可能要花两周翻英文标准和当地规范，还不一定找全。但如果他有一个配了海外项目知识库的 Agent，三十分钟就能拿到一份结构化的调研摘要——两周和三十分钟，这就是差距。

所以高手对 AI "不感兴趣"，往往不是因为 AI 没用，而是因为你给他看的 AI 不对路——你用入门级的东西去服务专家级的需求，当然碰一鼻子灰。

破与立：真正的高手知道什么不该破

"不破不立"这句话很帅，但在工程行业，不是什么东西都该破。

你破掉了负荷计算的基本公式？不行，那是物理学。 你破掉了规范强条？不行，那是人民生命财产安全。 你破掉了公司积累了二十年的校审流程？不行，那是质量底线。

真正的高手，知道什么该破、什么不该破。

该破的，是用 AI 快速穿透自己经验之外的新领域——海外项目、新兴业态、跨专业知识——在这些地方，你没有"过往"可守，AI 就是你的跳板。

不该破的，是你花了多年建立起来的核心专业判断——电气设计的系统思维、方案决策的直觉、审图时扫一眼就觉得"这里不对"的经验——AI 在这些地方只能做你的助手，不能做你的老师。

而那些"不感兴趣"的高手，如果他们愿意换一个角度看 AI——不是把 AI 当成"替代我经验的工具"，而是当成"补充我盲区的助手"——可能会发现，AI 能做的事，比自己预想的多得多。

第四章 未来展望：Agent 能走到哪一步

4.1 已经在路上：2026 年正在发生的事

趋势一：从单 Agent 到 Agent 集群

2025-2026 年，学术和工业界都在从"一个Agent单打独斗"转向"多个Agent协同工作"。

MetaGPT、AutoGen、Manus 等框架已经能让多个 Agent 分工协作——一个 Agent 当"项目经理"分配任务，另一个当"设计师"生成方案，还有一个当"审图员"检查质量。

类比到机电设计：未来可能是一个 AI Agent 做负荷计算、一个做设备选型、一个做管线综合、一个做碰撞检测——它们之间自动协调，最终产出一份初步设计方案。

当前状态：实验室阶段，多 Agent 协作的可靠性远未达到工程级。

趋势二：MCP 生态在快速扩展

MCP 协议正在成为 Agent 工具调用的事实标准。2026 年已经有几十种主流工具接入 MCP——从文件系统到数据库到企业软件。

这就像互联网早期 TCP/IP 协议的统一——一旦"插座"统一了，各种"电器"就会爆发式增长。

对机电行业的影响：如果 Revit、AutoCAD、天正、PKPM 都通过 MCP 暴露接口，Agent 就能直接操作这些设计软件。目前这还只是设想，但方向已经明朗。

趋势三：AI 审图从"实验"到"工程化"

上海浦东 BIM 智能化审查平台（1525 条规范、87.36% 准确率）、广联达 AecGPT（92% 语义理解准确率）、中建八局"瓴维·慧审"（98.6% 审核准确率）——AI 审图正在从概念验证进入规模化落地。

但注意：这些数字反映的是"规范条文匹配准确率"，不是"设计质量判断"。真正替代审图老师的经验和判断，现在还远远做不到。

4.2 三到五年内可能实现的能力

可预见的进步（2027-2030）：

1. AI 辅助自动出图：在标准化程度高的场景（如住宅电气平面图、标准层暖通图），AI 可能能做到"输入参数→自动生成初版图纸→人工校核微调"。CORDAX 等平台已经在往这个方向走。

2. 多专业碰撞自动消解：目前的碰撞检测是"发现问题"，未来 Agent 可能做到"发现问题→分析原因→提出修改建议"。

3. 设计全过程的 AI 助手：不是给你一个 AI 对话窗口，而是深度嵌入 Revit/BIM 环境，在你画图时实时给建议——"你这根风管穿越了防火墙，需要加防火阀"。

4. 基于真实项目数据的 AI 选型：如果能接入大量真实项目的设备运行数据，AI 的设备选型建议会比现在靠谱得多。但这需要行业数据共享——这是比技术更难的问题。

4.3 可能永远做不到的事

有几件事，我个人判断 AI 在可预见的未来都做不到：

1. 承担设计责任：AI 可以帮助你计算、检查、出图，但它不能签字盖章。设计的法律责任和职业判断，永远需要人来做最后的确认。

2. 真正理解物理世界：AI 处理的是符号，不是物理。它可以算出"这根电缆载流量够不够"，但它不知道"电缆在桥架里怎么转弯才不伤绝缘"。空间直觉和物理常识，是 AI 最薄弱的环节。

3. 创造性工程方案：遇到一个全新的项目类型、一个从未见过的现场条件、一个甲方提的刁钻需求——这时需要的不是知识检索，而是创造性思维。AI 擅长"从已知中找答案"，不擅长"从无到有做原创"。

4.4 给机电设计师的行动建议

与其焦虑"AI会不会替代我"，不如想清楚"哪些事让AI干、哪些事必须我干"。

让AI干的：

• 查规范条文、找标准图集
• 整理设备清单、生成初版设计说明
• 做负荷计算（用工具模式，不用AI口算）
• 格式检查、规范条文初步比对
• 写会议纪要、整理项目文档

必须你干的：

• 方案决策（选树干式还是放射式？）
• 空间判断（这个配电柜放不放得下？）
• 施工配合（现场和图纸不一样怎么办？）
• 图纸终审（签字盖章的那个是你）
• 甲方沟通（AI猜不出甲方真正想要什么）

结语

AI 和 Agent 不是什么魔法，它们是一套可以拆解、可以理解、可以用起来的工具系统。

搞机电设计的人，天然适合理解 AI——因为你的工作本身就是"接收输入→检索规范→计算→选型→出图→校核"，这和 Agent 的执行循环几乎一模一样。

你要做的不是"学 AI"，而是把你已经会的那套工程思维，映射到 AI 的工作方式上——

知道它哪里强，就把那些活交给它；知道它哪里弱，就自己把关。

这才是机电设计师面对 AI 时代，最实在、最不慌的姿势。

本文完成于 2026 年 7 月，基于公开学术论文、技术报告和行业案例撰写。文中数据来源包括：arXiv:2601.01743（Agent Transformer 架构综述）、AI Insight Agent Survey 2024-2026、上海浦东 BIM 智能化审查平台公开数据、The C Engineer 行业分析等。