工程AI的可信，不能只靠更大的模型

一轮外形优化已经跑了三天，工程师提出：“把最小厚度要求提高一些。”

已经算完的结果，哪些还能用？哪些只需重新检查？哪些必须重算？

AI可以提出调整建议。但要可靠地继续，系统必须掌握此前用了什么方法、产生了哪些结果，以及新条件影响了什么。

工程AI的可信，就体现在这些具体问题里。

一、模型更聪明，还需要系统接得住

更强的模型能够更好地理解需求、规划步骤、诊断异常。面对下面三类场景，还需要系统提供持续执行、状态保存和结果验证的支撑。

工程任务的进度、版本和验收依据，需要在模型之外可靠保存。

二、WorkFlow Cortex：受约束的动态工作流

传统BPMN流程、Skill和大模型各有所长。从知识如何组织、任务如何持续两个维度看，它们也各有需要补齐的部分。

概念定位，非性能排名；模型与Skill的持续性取决于宿主系统。

WorkFlow Cortex将在MCLink Cortex中增加任务模式，把这些长处结合成受约束的动态工作流。

先固化方法。 将成熟经验整理为带版本的模板，明确适用条件、参数范围、必需环节和验收判据。AI帮助起草，经过校验和专家确认后入库，让关键要求成为执行约束。

再持续执行。 由过程内核保存状态、调度工具、逐步检查，支持中断后接续。检查不通过，按规则处理；无法判断或超出预算，就停下来交给工程师。

有依据地调整。 条件变化时，人或AI提出修订，系统检查依赖关系、参数范围和必需检查是否保留，经人工确认后形成新计划。已发生的执行记录保留，后续步骤可以调整，也可以追加分支。

路径可以调整，工程要求不能被悄悄省略。

历史记录保留，修订形成新的计划或路径；有效结果按依赖核对后复用。

三、交付结果，也交付接受结果的依据

回到开头。提高最小厚度要求，可能只影响已有方案的可行性判断，也可能改变几何，进而影响网格和求解。具体重做什么，取决于真实的工程依赖。

因此，计算结果可以复用，不代表旧的验收结论也能复用。

WorkFlow Cortex要记录任务要求、输入配置、执行结果、检查依据和人工决定，让工程师能够追查：这个结论从哪里来？条件改变后，它是否仍然成立？

模板、判据和参数解析器经过校验与确认，按版本进入方法库，为执行和验收提供明确依据。

更强的模型帮助寻找解法；成熟方法、受控执行和可追溯证据，共同支撑工程师判断这次工作是否值得信任。

我们即将推出的WorkFlow Cortex，将融合大模型的理解与规划、Skill的知识复用和传统BPMN流程的持久执行与约束能力，支撑复杂工程任务持续推进。同时，把经过验证的方法、判据和经验沉淀下来，让后续任务有据可循，让系统在实践与验证中越用越好。

WorkFlow Cortex任务模式界面示意。