夜雨聆风
最近读了刷屏文章《置身钉内》，写的是钉钉 AI 旗舰项目「ONE」的失败复盘。
作者是钉钉 ONE 的核心产品经理，入职不满一年，离职前，其在阿里内网发布一篇长文，全文 7.5 万字，105 页，8 个章节。
阿呆作为一个在工业软件行业摸爬滚打多年的人，今天借《置身钉内》中的几段原文，聊聊基于工业软件和 AI 怎么和 AI 结合。
本文是《置身钉内》读后感系列的完结篇。
前三篇请看（1）用户是谁？，（2）价值是什么？，（3）二次开发好不好？。
1、“够用”是 2B 软件最强的惯性
《置身钉内》里有一句被很多人忽略的话：“如果用户在老钉钉里依靠肉眼扫视、手动标记、特意置顶就能应付日常工作，他们就绝不会付出注意力和信任成本去迁移到一个新卡片流上。”
钉钉 ONE 必须解决一个“不依靠 ONE，用户在老钉钉里就算用断手也无法解决”的场景，才能击穿迁移成本。
如果 ONE 只是把老钉钉里已有的东西换一种样式摆出来，用户很难迁移。因为原路径虽然旧，却已经够用，尤其对 2B 软件来说，“够用”本身就是最强的惯性。
把这段话翻译到工业软件语境：
在 CAD 里，工程师已经习惯手动拉伸、手动装配； 在 CAE 里，习惯手动建模、提交仿真、等结果； 在 EDA 里，习惯手写 RTL、手动跑 DRC/LVS。
如果工业软件+AI 只是把这些动作包装成“对话式入口”、“智能卡片”、“会聊天的输入框”——工程师凭什么迁移？
工业软件 AI 化的唯一及格线是：这件事不靠 AI，工程师用断手也解决不了。
比如：
Synopsys 的DSO.ai和 Cadence 的 Cerebrus，用强化学习在芯片设计空间里自主搜索最优的布局布线方案。
一颗先进制程 SoC 的布局布线组合数量，甚至超过了宇宙中的原子总数——这是人类“断手也解决不了”的事。
过去需要一个由 10 名资深工程师组成的团队、经历数周乃至数月才能找到的收敛方案，如今 AI 智能体只需在本地集群跑几个小时，就能交出一份整体功耗降低 5%、面积缩减 10%且完全零违例的物理版图。
这才是工业软件 AI 该有的样子：不是把旧锤子换成更聪明的锤子，而是替工程师去做那件他明明知道要做、但穷其职业生涯也做不完的事。
2、工业软件 AI 最该做的，是“基于明确数据的排序、对齐、填空、检查”
《置身钉内》里有一个客服场景让阿呆印象深刻：客服在既有销售、又有客户、又有客服的群里，希望系统“只有在客户发消息提问，或者这条消息确实需要客服回复时”，才把该会话的未读红点更明显地标出来。
作者由此总结：“基于明确数据的排序，整理，填空，对齐，这都是 AI 明确可以做的。”
这句话简直是为工业软件量身定做的。工业软件的数据结构化程度远高于钉钉 IM，AI 在这里的命中率会显著高于企业 IM 场景：
- 排序
：CAE 里面对几百个仿真工况，AI 应该告诉工程师“哪 5 个工况最影响设计决策，先做这 5 个”；EDA 里面对上千个 violation，AI 应该排序“哪 20 个是关键路径上的，必须先修”。 - 对齐
：CAD 的装配关系、CAE 的边界条件、EDA 的约束文件，这些都是有明确数据结构的，AI 最适合做基于明确数据的对齐与校验。 - 填空与检查
：AutoCAD 2026 的 Smart Blocks 功能，正是用 AI 检测图纸中可转换为块的对象，一次性全图智能识别，这就是典型的“基于明确数据的填空与检查”。
这些功能加上 AI，都会大大利好拥有“数据”的头部厂商，只是头部厂商要推广其 AI 功能也会遇到不少「门槛」
3、主动服务有个分岔点：越资深的工程师越要“掌控感”
《置身钉内》里有个细节：产品同事从广东带回一个 case——碧桂园的保安保洁希望通过 ONE 卡片“先巡逻、再清洁、再拍照反馈”。但“无招”否决了这个 case，判断是“ONE 不是要服务保安保洁，而是要服务老板、管理者和高净值人群”。
作者由此延伸出一个深刻的产品哲学：越是主动、越有思考的工作者，越需要保留对自己工作顺序和工作方式的掌控；AI 可以辅助、记忆、提醒，但不该用强规则打断他已经形成的工作节奏。反而是工作内容相对标准、任务链路相对明确的人，更可能接受卡片式的主动安排。
放到工业软件，这个分岔点不是“用户职级”，而是“任务标准化程度”：
- 标准化程度高的环节
（验证、检查、报告、批量处理、出图）：大胆主动 AI 化。比如某国产厂商在浙江某叉车企业，通过 AI 自动出图，企业出图工作量减少 70%，出图效率提升 50%。 - 标准化程度低的环节
（概念设计、架构权衡、跨学科妥协）：退回到副驾驶。AI 可以建议“这个区域网格密度不够”、可以提醒“这个约束和其他约束冲突”，但不能擅自改设计。
西门子 2026 年发布的 NX CAM Copilot，正是为给定特征生成多种可能的加工策略供工程师选择，这就是“副驾驶”姿态的典范。
而 Ansys 的 SimAI 用代理模型把传统 FEA/CFD 从“小时到天”压缩到“秒到分钟”，加速的是早期设计迭代的筛选环节，最终决策仍留给工程师。
这印证了一个判断：工业软件 AI 化的真正分叉点，在于任务的标准化程度，而非用户的职级。
4、Agent 的真正门槛在“做事”，不在“聊天”
《置身钉内》里有句话一针见血：“Agent 真正难的地方不在聊天，而在做事。它要知道上下文，要有权限，要能调用工具，要知道失败以后怎么收场。”
更硬的数据来自 Salesforce 2025 年发布的 SCUBA 基准测试：在零样本设置下，开源模型驱动的 computer-use agents 在企业软件里成功率低于 5%，闭源模型最高也只有39%，加示范后才提升到50%。
这个比例放到工业软件里会更残酷：
企业 IM 里 agent 搞错了，最多发错一条消息； EDA 里 agent 搞错了，可能让一颗芯片报废； CAE 里 agent 搞错了，错误仿真结论导致桥梁倒塌。
所以工业软件 AI Agent 的门槛远高于普通企业软件。
这也解释了为什么 Cadence 在 2026 年发布的 ChipStack AI Super Agent，不是“一个会聊天的框”，而是由 AgentStack 统一调度，下面挂 ViraStack（模拟设计验证）、InnoStack（数字实现与签核）等超级智能体，每个智能体再调子智能体，子智能体再调具体 EDA 工具：把大模型生成与原生 EDA 工具、技能、心智模型嵌套关联起来。
工业软件 AI 化的真正考验，不是发布会 Demo 能不能跑通，而是工程师敢不敢，在 tape-out 前、在样件开模前、在整车碰撞仿真前，把决策交给 AI。
5、“快”分两种：地基好的快是能力，补丁堆出来的快是欠债
《置身钉内》里作者读fast.ai《Build to Last》一文时感慨：LLVM 能支撑二十多年，不是因为它追过每一个风口，而是因为它一开始就从根本问题出发，搭了一套能让后来许多语言和系统继续生长的地基。
作者由此区分了两种快：“一种快，是因为地基打得好，抽象做得好，团队对系统理解得深，所以越做越顺；另一种快，是今天先补一个口子，明天再糊一个入口，后天再把老板刚提的问题塞进包里。前一种快，是能力；后一种快，是欠债。”
这对很多工业软件厂商是当头棒喝。
现在市面上大量“AI+CAD”，“AI+CAE”，“AI+EDA”产品，本质是“今天先补一个 AI 入口，明天再糊一个智能对话框，后天再把老板刚提的需求塞进包里”。
真正健康的“快”应该来自架构层的抽象：统一的工具调用协议、统一的数据模型、跨流程甚至跨 CAD、CAE、EDA 的上下文数据共享、可验证的 AI 输出回写机制。
工业软件的 AI 化到底该怎么走？
工业软件首先必须是可靠的。
因为工业软件的错误不会停留在屏幕上，它会变成一颗不能正常工作的芯片、一栋有结构隐患的建筑、一架存在设计缺陷的飞机。
所以，回到问题：工业软件应该如何利用 AI？
答案可能不是“立刻造一个全能 AI 工程师”，而是：
第一，找到那个“不用 AI 就会断手”的具体场景，别在“已经够用”的地方跟用户表演。
第二，先打好数据基建的地基，再谈功能层的智能化。没有高质量的 context 数据，AI 在工业场景里就是空中楼阁。
第三，别用“会聊天”冒充“能做事”。工业软件里的 Agent，从 39%的成功率到 99.9%的可靠性，还有很长的路要走。
第四，快有两种：一种是因为地基打得好所以越做越顺，另一种是今天补一个口子明天糊一个入口。在工业软件领域，后一种快，是还不起的债。
AI 很强大，这一点毋庸置疑。但在工业软件这件事上，慢一点，可能才是真正的快。
阿呆的《置身钉内》读后感，全文完。
拓展阅读：