夜雨聆风
封面
先说结论：它不是总工，是一台超级设备
做了多年工艺放大、P&ID、DCS/SIS 和 HAZOP，我越来越觉得：AI 最像的不是"总工"，而是一台速度极快、能力很强，但必须有人监管的超级设备。
最近，我围绕小龙虾（OpenClaw）、Codex 和 DeepSeek Harness，搭了几个化工与工程智能体。
亲测下来，结论只有三句：
第一，能用，确实能显著提效。
第二，它可以生成方案，但不能替你承担责任。
第三，你越依赖它，越要建立严格的验证链。
AI 能把工程师从检索、抄写、整理、初算和反复改格式中解放出来，也能把一个错误，用极其专业的语言包装得完整、漂亮、难以察觉。
区别只在于：你有没有在它后面设置一道真正有效的工程闸门。
我搭的不是聊天机器人，而是"数字化岗位"
第一个智能体基于小龙虾改造。
它的价值，是给大模型装上"手和脚"：读取文件、调用化学工具包、执行脚本、整理数据库，再按预设流程连续完成任务。
小龙虾开源改的智能体工作界面
小龙虾智能体工作界面细节
我用同一套框架做过化工智能体，也做过八种语言的沉浸式学习智能体。底层框架没有变，只是更换了工具、Skill 和工作流程，就变成了完全不同的岗位。
Codex 搭建数字化工厂第二套用 Codex 搭建数字化工厂系统。
它更像一名能够进入软件工程现场的开发智能体：可以理解代码仓库、修改文件、运行工具、调用 Skill，并把工艺计算、设备数据、P&ID、CAD 审查和工程资料管理拆成独立模块。
这里真正有价值的，不是"AI 会写代码"，而是它能够帮助一个专业工程师，把多年经验固化成可维护、可测试、可重复调用的软件能力。
第三套是最近很热的 DeepSeek Harness。
它的核心理念非常直接：一切皆插件。
模型、工具、Skill、会话、存储、沙箱、调度、工作流和界面，都可以拆开，再按任务重新组合。换句话说，它不是给你一套固定软件，而是给你一副可以不断扩展的软件骨架。
DeepSeek Harness：万物皆插件，全换自已写的插件
但实话也要说在前面：目前它更像开发者工具，还不是成熟的行业产品。自由度很高，但配置、插件开发和运行成本都要自己管；多智能体和长流程一跑起来，token 消耗也不低。
它现在适合愿意动手、愿意搭系统的人，不适合只想"装完马上用"的用户。
不过，它让我进一步确认了一件事：
AI 最大的价值，不只是回答问题，而是帮助人快速制造工具。一个专业插件是一块能力，几十个插件组成一套系统，上百个插件就可能形成一个属于企业自己的软件生态。
案例一：80个创新化合物，一晚上完成初筛
过去筛选一个创新化合物，通常要经历结构设计、理化性质计算、专利查重、毒理预判、路线评估和技术交底。
几个懂化学、懂专利的人，往往要忙上好几天。
现在，我把 80 个候选结构一次性导入智能体。系统调用 RDKit 完成结构解析，计算分子量、LogP、极性表面积、氢键供受体等指标，再按规则完成分级。
随后，它自动生成专利查重任务队列，分别安排：
* 精确结构检索；* 子结构检索；* 相似性检索；* Markush 结构与同系物排查。
在正式放行前，它还会对每个候选逐项"挑毛病"：新颖性、FTO 风险、潜在毒理、抗性风险、合成难度、放大风险和原料成本。
不是先证明路线有多好，而是先判断它可能死在哪里。缺陷能够被工程解决，候选才进入下一轮。
结果很直接：过去几个人忙几天，现在一晚上完成初筛，工程师主要负责判断哪些候选值得继续投入。
但第一轮跑完，我就发现一个问题：80 个候选中，有 39 个化合物的氢键受体数量与 RDKit 复算结果不一致。
继续追查后发现，问题不只是"谁算错了"，而是结构标准化、盐型处理、互变异构体和质子化状态的口径没有完全冻结。
这件事非常典型：
如果计算口径没有统一，AI 不会消除混乱，只会以更快的速度放大混乱。
案例二：路线智能体负责找方向，仿真软件负责算账
第二个案例是工艺路线和流程仿真。
我把任务拆给两个智能体：一个负责创新路线，一个负责工程仿真。
路线智能体先做逆合成和方案组合，但不只看反应能不能发生，还要比较：
* 原子经济性和 E-Factor；* 原料可得性与采购风险；* 催化剂真实活性、含水率与循环使用；* 溶剂回收和三废负荷；* 腐蚀、放热、析固与失控风险；* 连续流放大和设备实现难度。
仿真智能体再把通过初审的路线送入 Aspen 或 DWSIM，完成物料衡算、热量衡算、夹点分析和换热网络比较。
这里必须把边界说清楚：
AI 负责生成候选和组织计算，确定性软件负责计算，人负责检查输入、假设和结果。
如果物性方法选错、进料组成失真、催化剂活性按理论值填写，仿真软件同样会给出一份数学上收敛、工程上错误的结果。
所以，仿真收敛不等于工艺成立；模型给出最优解，也不代表它找对了问题。
案例三：AI可以辅助HAZOP，但不能批准风险
第三个案例，是 HAZOP 和三维布置。
HAZOP 智能体能够按照"节点＋导引词＋工艺参数"自动生成偏离矩阵，初步整理偏差、原因、后果、现有保护措施和改进建议。
例如，反应器出现温度过高，它会继续追查冷却中断、进料失控、搅拌失效、测温失真和放热累积；涉及超压时，它会把泄放系统、进料切断和独立保护层列入审查清单。
但这些只能叫"候选保护措施"。
安全阀是否足够，要做正式泄放计算；联锁是否独立，要检查仪表架构；是否需要 SIS，要经过 LOPA 和 SIL 定级；最终逻辑还要进入 Cause & Effect、联锁说明和变更管理程序。
AI 可以当 HAZOP 的高效秘书，但不能当那个签字接受风险的人。
三维布置也是一样。
智能体可以使用 OBB 碰撞检测查找设备和管道干涉，也可以辅助检查设备标高、重力排液、泵汽蚀余量、检维修空间、逃生通道和管道可达性。
但规范不能只"塞进提示词"。标准版本、适用范围和条款解释必须进入受控规则库，并由专业人员审核。
机器负责把问题尽量找全，人负责判断这些问题是不是真问题。
AI真正值钱的，不是会聊天，而是会调工具
一个可靠的工程智能体，不应该只由大模型组成。
更合理的结构是：
工程智能体＝模型推理＋确定性计算工具＋权威数据源＋版本化规则库＋审计记录＋人工审批。
模型负责理解任务、拆解步骤和调用工具；RDKit 负责结构解析与物性计算，Aspen/DWSIM 负责流程仿真；权威数据源和版本化规则库负责提供可靠输入。
但跑顺之前，先算清三笔账：
第一笔，能耗。 单次提问不显眼；一旦多人、高频、自动化地调，成本就是实打实的算力和电费。不过对大化工厂来说，这点费用就是毛毛雨——投资少、收益大；真正要管的，是别把最重的模型用在最轻的活上。
第二笔，数据。 把没治理过的资料喂给模型，它能把过期边界、没落实的改造、互相打架的数值，拼成一份很像样的答案。涉及工艺机密，大模型都得本地化部署，调云端必须上防火墙。一句话：数据绝不出厂。
第三笔，可靠性。 工程现场，一个错误的温度、流量、材质、联锁或设备边界，带来的可能是质量事故、停车，甚至人身伤害。
尤其是 SIS：
生成式 AI 不得取得生产 SIS 的在线写权限，不得直接修改安全逻辑、联锁设定值或旁路状态，更不得进入闭环控制。
AI 可以在隔离副本上辅助整理和审查文件，但正式修改必须经过独立核算、MOC 变更管理、测试和具名批准。
配图一：算得快不等于可靠
现场最缺的不是答案，而是验证链
一张流程图在屏幕上完成流量平衡，不代表装置能够稳定运行。
设备标高、重力排液、泵的汽蚀余量、管路压降、气液分布、停留时间、传热边界、析晶堵塞、检维修空间——任何一项被忽略，纸面上正确的方案都可能在现场翻车。
连续流尤其如此。小试运行顺利，不代表放大后仍然成立。流量脉动、混合尺度、传质、放热和固体行为，只要有一项发生变化，系统表现就可能完全不同。
因此，我给 AI 设置了一条固定验证链：
人定义目标和物理边界 → AI 生成候选、整理证据 → 确定性计算独立复核 → 历史数据和必要试验验证 → 工艺、设备、仪表、安全联合审查 → MOC 变更管理 → 具名责任人批准。
遇到数据不足，正确答案不是让模型"合理补全"，而是明确标记：
HOLD——补数据、补计算、补试验、补现场验证。
配图二：AI负责搜索和寻优，人负责定义目标
真正落地，只需要守住四条
第一，先从高频、低风险、可复核的任务开始。先做资料整理、版本比对、点表检查和初步计算，不要一上来就让 AI 碰控制系统。
第二，建立权威数据源。每个关键数字都必须能够追溯到有效文件、原始记录或责任人；找不到来源，一律标记"待核"。
第三，设置硬闸门。物料衡算、热量衡算、催化剂真实活性与带水量、材料相容性、设备曲线、泄压保护和联锁逻辑，都必须独立校核。
第四，最小权限、全程留痕。涉及图纸发布、采购、外部写入、控制参数和敏感资料，必须授权、审计、人工确认并支持回滚。
结语：AI进了工厂，责任不能退场
AI 会接走越来越多的检索、整理、初算、制图和初稿工作，这是好事。
它把工程师从机械重复中释放出来，让人重新回到最有价值的位置：判断问题是否定义正确，识别被忽略的边界，把工艺、设备、自控和安全拼成一套真正能运行的系统，并在最后承担责任。
未来最稀缺的，不是会和模型聊天的人，而是能够提出正确问题、识别异常、组织跨专业验证，并愿意为结论签字的人。
AI 不是总工，也不是责任主体。
但它确实可能成为人类有史以来最会制造工具的工具。
让 AI 负责加速，让工程师负责定义、验证和担当。
AI 进了工厂，工程师不能退场；AI 越强，责任边界越要清楚。
配图三：最后一道关，必须是人