N6-03 AI 大模型在热管理开发中的应用

课程代码 N6-03 · 板块 N 前沿与新技术 / N6 智能预测与数字孪生 时长 约 4.5 小时（7 讲 + 1 次 RAG 接入方案设计实操） 适合对象 高级仿真 / 系统工程师与技术负责人；正在评估或主导大模型工具引入的骨干（选修，专家向） 前置 体系外前置（需自备）：了解热管理研发基本流程（需求／DFMEA／标定／仿真）；体系外前置（需自备）：对大模型／生成式 AI 基本概念有初步了解 本讲义定位 讲师授课蓝本 / 学员自学讲义，是 N6-03 大纲的完整展开版

---

引言：它答得又快又像样，而那个标准编号是它编的

一位工程师问某类阀件历史上出过哪些失效模式，几秒钟就拿到一段条理清楚、术语准确、还带着标准编号的回答。通篇没有一句语法不通，没有一处措辞含糊——而那个编号不存在。这类错误难对付的地方不在于它错，在于它错得完全合乎格式：错误的外形与正确答案一模一样，靠「读起来对不对」这条日常启发式根本筛不出来。再往前走一步就更棘手：当这套系统接上企业自己的文档做检索增强生成（RAG），答案下面挂出了真实可点开的来源、页码与文档名，可信度看上去又抬高了一大截——而它召回的那一段，工况点与提问的并不是同一个。带着真实出处的错答案，比裸编造更难被发现，因为读者的怀疑已经被那条链接消解掉了。这门课要做的就是把「大模型能不能用」这个问不出结果的问题，换成一串答得出来的问题：这条输出去哪儿、谁在哪一步核它、核什么、出了错谁负责。

学完这门课，你应当能做五件事：① 分清大模型（LLM）、数值代理模型（归 J7-05 机器学习/AI 代理模型在热管理中的应用）与物理求解器三者的能力边界，并按一条判据把一件研发任务分派出去；② 设计一个把企业热管理知识接进检索增强生成的方案，说得出它由哪些环节组成、每一环归谁负责、哪几环最容易被整环跳过；③ 列出研发链路上大模型可以辅助的具体环节，并给出每个环节对应的人工复核把关点；④ 识别幻觉与数据泄露两类风险的具体发生场景，把治理规则写成动作级而不是态度级；⑤ 判断某个场景够不够成熟到可以脱离人工复核。⚠ 第五件事上本课给的是判据不是结论——课题大纲的能力目标里写着「通常答案是否」，而那个「通常」要由你把七条判据逐条问过之后自己得出来；直接把结论交给你，换一个场景你就不知道该怎么判了。

这门课的位置要先说清，否则它会膨胀成一门「AI 万能课」。它讲的是企业级的系统怎么建、怎么管，⛔ 不是工程师个人日常怎么用（那归 Q3-03 AI 辅助热管理工程工作实务，本课是它的系统侧展开，两边口径一致、⛔ 不另立一套说法）；它讲的是语言与知识这一侧，⛔ 不是数值预测（那归 J7-05 机器学习/AI 代理模型在热管理中的应用）。全课七讲的动作依次是：第 1 讲立分派判据，把「这件事该交给谁」问清楚，并把语言与知识密集型任务的全集摊开；第 2 讲拆开 RAG 的内部结构——它不是三步而是十四环，并把检索的几何、上下文预算与「有据可查」这条判据一次立住；第 3 讲讲知识库本身，从入库门槛、切分、权限随片段走一直到生命周期闭环，末尾给出 RAG、领域微调、提示与上下文工程的三档选型；第 4 讲把研发链路上的落地场景逐个走一遍，并给出按输出去向分的四档人工复核门槛；第 5 讲收前沿——多模态读图、agent 编排、与车云及数字孪生结合的知识层，以及「能不能脱离人工复核」的七条判据；第 6 讲与第 7 讲各守一条红线，前者是幻觉与可验证性（失效模式全集、三层过滤、可追溯链、动作级治理规则），后者是数据安全与组织治理（接入形态全集、准入矩阵、提示注入、责任落点）。其后的典型案例把七讲的次序合成一条从提问到「这个数能不能写进报告」的完整判据链，动手做则用一个真实场景把接入方案、复核检查点与一条防幻觉规则各落一次。

第一根钉子（全课下文一律简称「钉子一」）：大模型在研发链路里的产出一律是「初稿与线索」，不是「结论与依据」。它的可操作形式只有一问——这条输出会不会进入工程决策链。会，就必须同时挂上三样东西：一个指名到人的复核点、一条能追回原始文档的追溯路径、一份出错时的责任归属；只给人看的草稿，复核可以降为抽样，但⛔ 不为零。为什么必须是这三样而不是「提高模型能力」：大模型的错误不是随机噪声，而是格式完全正确、语气高度自信的错误，它不会自己报警，也没有类似网格收敛那样的自检手段可用；能拦住它的从来不是模型本身，而是流程上那个带责任人的框。⇒ 这三样的落地形态都是可数的：复核点＝流程图上一个写着名字的框，追溯路径＝一条从结论走到源文件版本号的链，责任归属＝一份签署记录。三样里少任何一样，这个场景就还没落地——它不是「还需要打磨」，是还没开始。全课每一个场景（需求与 DFMEA 草拟、标定与试验数据摘要、MBD 相关代码、专利与情报整理、云图判读、agent 编排）最后都要落回这三样。

第二根钉子（简称「钉子二」）：接了 RAG 不等于解决了幻觉，它只是把核验对象从「结论」换成了「出处」。而核验出处又要拆成三问：这个出处存不存在／它是不是现行版本、且属于本平台／它是不是真的支持这句话。三问各拦一类错——第一问拦编造的出处，第二问拦过时与张冠李戴，第三问拦「引了真文档、结论却是模型自己加上去的」。★ 三问里最难的是第三问：它必须由懂这门技术的人读原文来判，⛔ 不是由检索指标、相似度分数或「引用率」来判，也⛔ 不能外包给另一个模型（两个模型的错误是相关的，那只是把同类错误再叠一层）。本课后面全部的治理设计——片段级引用、版本与生效日期字段、评测集、复核档位——都围着这三问转。

先把本课最容易被读反的那句话摆到台面上：把「grounded（有据可查）」当成正确性的充分条件。它只是可核验性的必要条件——RAG 把「无从核起」降成了「可以核」，而核这件事一点没少。会读反是有原因的：那条判据（输出内容不超出检索片段可支撑的范围）是相对于检索片段说的，它只回答「模型有没有越出片段乱说」，⛔ 完全不回答「片段本身对不对、是不是现行版本、是不是这个平台的」；而界面上那条真实可点的来源链接，恰好会把读者本来该有的怀疑消解掉。

会做错的第一个具体动作：拿 groundedness 或引用率当验收指标，凡是带了知识库引用的输出就放行。顺着这个动作往下，知识库的版本治理与失效下架就被省掉了——反正每条输出都「有引用」。它最典型的兑现形态是：工程师问某型电子水泵在某工况下的扬程，系统召回一段措辞高度相似、但工况点不同的表格片段，模型自信地报了一个数并附上真实文档来源，这条输出在 groundedness 上满分、数值全错；而这个数会被直接代进算式，算式不会报错。

会做错的第二个具体动作（方向正好相反）：因为要求 grounded，就把模型说「检索不到／我不知道」当成故障去调参——降相似度阈值、加检索条数、换更大的模型，直到它总能给出一个带引用的答案。这条路系统性地把「没有依据」改造成了「有一个弱依据」，而后者恰恰是最危险的失效形态：前者会让人停下来去查，后者会让人放心地用下去。⇒ 正解是把它当成三层过滤的第一层——第一层的完整问法是「有没有引用、引用能不能打开、输出有没有越出被引片段可支撑的范围」，这一整问就是 grounded；后面还有「引用的那份文档存在、现行且属本平台」与「引用的那段原文真的支持这句话」两层，三层全过才叫可采信；而「检索不到」是知识库缺口的告警信号，正确动作是开一张知识库补建工单，⛔ 不是调参数把它消掉。这条反钉子在第 2 讲末尾先立判据与它的边界，在第 6 讲单设一节做三层过滤并配图，两处呼应，常见误区节收口。

再把边界划清——不在开篇写死，这门课必然与相邻几门重叠，或者整段落空。本课定六件事：① 大模型与代理模型、物理求解器的分派判据，以及「看起来能做、实际不该独立信任」的两维判据；② 检索增强生成的完整环节、各环属主与典型失效；③ 企业知识接入侧的要求与知识库的生命周期闭环；④ 研发链路上的落地场景与按输出去向分档的人工复核门槛；⑤ 幻觉的治理：三层过滤、可追溯链与动作级规则；⑥ 数据安全边界与组织制度闭环。本课不定的，逐项写明归谁：数值预测本身与代理模型的可信域 → J7-05 机器学习/AI 代理模型在热管理中的应用，降阶与快速求解 → J7-02 模型降阶（ROM）与控制导向建模；不确定度这一项分两侧、⛔ 不是两个互斥归属——分类与合成方法本身 → J7-06 仿真不确定度量化（UQ）与稳健/可靠性设计：从确定性单点到带分布的裕度，试验与标定数据上的不确定度评估（在一批实测数据上把它算出来、并用它判偏差显不显著） → L7-03 试验数据分析与不确定度评估；工程师个人怎么用与个人核验习惯 → Q3-03 AI 辅助热管理工程工作实务；文本型经验条目怎么沉淀 → Q3-02 工程知识管理与经验沉淀方法，数值型基准库的入库口径与退役 → Q3-04 热管理数值型基准库治理：口径标注、跨源置信排序、退役与入库门槛（⚠ 本课沿用它们两门的入库门槛，只补接入侧四条，且这四条分属两层：入库层三条——生效与废止日、密级与可见范围、源文档 id 与版本及来源（3.2 给）；检索层一条——元数据不全的数值条目⛔ 不进检索结果（2.6 给）。⚠ 全课下文出现的「只加三条」一律指入库层那三条，「只加一条」一律指检索层这一条，⛔ 两处的「只」各自成立、⛔ 不是同一个计数。⛔ 除这四条外不另立一套入库标准，那正是本课自己在批评的事）；车云数据生态与数字孪生的统计、判据与时延 → N6-01 预测性热管理的车云数据生态与产业路径 / N6-02 整车热管理数字孪生与在线优化（本课只讲它们之上的自然语言查询层）；DFMEA 方法本身 → I7-01 热管理系统/零部件 DFMEA 实操；MBD 建模与代码生成的既有验证台阶 → K4-02 基于模型开发（MBD）：Simulink 建模与代码生成；专利 claims 解读与 FTO → M5-01 热管理专利布局与规避设计，情报与对标方法 → M5-02 技术路线情报与竞品对标，对外协议与 IP 权属条款 → M5-05 合作开发与供应关系中的 IP 权属：技术协议 IP 条款、职务发明与商业秘密保护。★ 还有一档整个在本课射程之外：输出进入上车的功能或安全相关判断时，其性能局限识别、危害分析与人工复核门槛须按 AI 安全框架论证，落法归 K2-05 预期功能安全（SOTIF/ISO 21448）与 AI 件安全论证在热管理的落法——本课只给去向，⛔ 不给判据、不给门槛值。⛔ 对不定的部分，本课一律只给类型与去向，⛔ 不写别课的结论，也⛔ 不声称某门课已经讲过什么。

⚠ 由此有三种读法会落空。一是来找可以直接抄走的数：上下文窗口有多大、切分粒度取多少、检索多少条、相似度阈值定在哪、幻觉率合格线是多少——这些全部是平台相关量，取决于所用模型及其版本、嵌入模型、语料与场景，换一个就不可移植，本课一概不给数、也不给推荐区间，只给它们受到的约束以及该怎么用自建评测集把它们测出来；⛔ 尤其不得引用任何公开评测的幻觉率百分比当作本企业的验收基线（评测集分布、判分口径与模型版本三者都不同，数不可比）。个别图上出现的比例是明确标注的教学假设值，只为把结构画出来，⛔ 不对应任何模型、产品或平台，⛔ 不得取用。二是把它当标准条文课读：本课涉及的 ISO/IEC 22989（人工智能概念与术语）与 ISO/PAS 8800（道路车辆 AI 安全），本讲义只写编号、名称与去向，⛔ 不写条款内容、不写限值，版次与年份以现行目录为准、引用前须核；另外，企业数据安全与 IP 保护目前尚无统一强制性国标，行业规范仍在形成中，而「AI 管理体系」与「AI 风险管理」一类的通用标准是存在的——⚠ 本讲义未取到它们的原文，故只写「这一类标准存在，编号与版次须自行核现行目录」，⛔ 不写编号解读。三是来找产品选型与工具评测：向量库、嵌入模型、开发框架与部署平台的选型对比不在本课射程，本课给的是判断这些选型对不对的判据形式，⛔ 不给产品名与评测数值。

最后交代两件贯穿全课的约定。其一是符号（后面几讲共用，⛔ 不在别处另起一套）：N_ctx、N_query、N_retrieved、N_history、N_sys、N_out、L_max 一律是 token 计数（无量纲）；agent 的串联步数写作 n_step（步），⛔ 不写成 N——它与上面那组量纲与含义都不同；检索条数写作 k_ret（条），单片段平均长度写作 c_chunk（token），分配给检索片段的预算写作 B_ret（token），agent 单步成功率写作 p_step（无量纲），agent 整链一次通过的概率写作 P_chain（无量纲）。★ 其中 N_sys、N_out、B_ret 与 P_chain 四个是本课在大纲所给公式基础上的补充，⛔ 不是大纲既有。其二是自建判据的声明：本课多处给出的成套判据——三分派判据、可检出性与代价两维、十四环流水线与四个责任区、检索失败的两问定位链、时效缺口三层、知识库七环闭环、接入侧四条补充（入库层三条 + 检索层一条）、四档复核门槛（外加射程外一档）、成熟度七判据、失效模式全集、三层过滤、可追溯链的字段集、接入形态全集、提示注入的三处阻断点、治理闭环——都是本课归纳的，⛔ 一律不是大纲既有、也⛔ 不是某标准的既有条款；正文每次用到都会再标一次。这门课能交给你的不是一套现成的数或一套现成的工具，是一串问得出口、答得出来、且答完就知道下一步该做什么的问题。

第 1 讲　交不交给大模型，由产出形态定；交了能不能独立信任，由另外两维定

这一讲不讲检索怎么搭、知识库怎么建、哪一段流程该配什么复核表——那些是第 2 讲往后的事。这一讲只做动手之前的七件事：把「这件事该交给谁」压成一次就能判完的三问；把大模型在数值上的那条硬边界钉死——它复述数、⛔ 不产生数；把「看起来能做、实际不该独立信任」从直觉换成两维判据；把研发链路上语言与知识密集型任务的落点摆全，尤其是沿研发主线数必然整类漏掉的那几类；把大模型与代理模型的配合写成接口，⛔ 不是「谁更准」；把本课与五门相邻课的边界一次划清；最后落回全课第一根钉子——每个场景最后都要挂上的三样东西。

看起来像开场白，其实后面六讲吃的都是这一讲钉下来的口径。三问判不清，读者会拿这门课的方法去管一个本该走求解器的问题，而那类问题不会以「答错了」的形式暴露，它会以「答得很流畅、数字也很像」的形式通过；两维判据不立，复核强度就会按「这活难不难」来定，而最容易出事的恰恰是「简单、量大、错了没人复算」那一格；落点摆不全，做出来的方案会只覆盖设计与仿真那一段，而文本量最大、结构最差的那几类连被提到都没有；边界不划清，这门课会退化成一门「AI 万能课」，并且与相邻课给出互相矛盾的口径。所以顺序是：先分派，再定信任，然后才谈落点与边界，最后收到那三样东西上。

1.1 三分工判据：看产出是什么，⛔ 不看问题是用什么语言问的

是什么。一件研发任务落到手上，三问顺序判，一次就能分完（★ 这三问是本课归纳的判据，⛔ 不是某项标准或某份既有规程里的既有分类）：

• 问① 这件事的产出，是不是一个要被代进算式的数？是 → 归数值预测这一支：物理求解器，或者数据驱动的代理模型（代理模型归 J7-05 机器学习/AI 代理模型在热管理中的应用，降阶与控制导向建模归 J7-02 模型降阶（ROM）与控制导向建模）。
• 问② 有没有可用的控制方程与求解器，且边界条件拿得到？有 → 归物理仿真。
• 问③ 产出是不是语言、知识、结构化整理或代码？是 → 归大模型，也就是本课的射程。三问都不落 → 本课不覆盖。

⚠ 判据落在「产出形态」上，⛔ 不落在「提问方式」上。这一条要单独强调，因为它是这三问最常被绕过的地方：用自然语言问出来的问题，产出仍然可能是一个数。「这个工况下换热系数大概多少」是一句自然语言，但它要的是一个会被代进算式的数 ⇒ 它归问①那一支，⛔ 不因为「我是用聊天框问的」就变成大模型的活。

为什么必须先分派再谈别的。因为三者的误差机理完全不同，因而自检手段不可互借：

这一支	误差从哪来	自检靠什么	会不会自己报警
物理求解器	离散与建模假设	网格与步长收敛验证	收敛不达标，人能看出来
代理模型	训练集覆盖不足	外推检测	出了可信域会报警（J7-05 机器学习/AI 代理模型在热管理中的应用 的可信域声明）
大模型	语言概率分布	⛔ 没有对应的收敛判据	⛔ 不会自己报警

第三行那两个 ⛔ 就是本课存在的全部理由：另外两支各自带着一套「不对劲会被发现」的机制，而大模型这一支没有——所以它必须外挂一套人做的东西。本课后面每一讲讲的都是这套外挂：检索让它能被核（第 2、3 讲）、复核门槛决定谁来核（第 4、5 讲）、三层过滤与追溯链决定核什么、凭什么核（第 6 讲）、准入与制度决定谁签字（第 7 讲）。

工程量级。这三问一次就能分完，不需要打分、不需要权重——它是分类不是评估。真到界面上分不清的时候，只看一件事：产出是不是数。是数就不是大模型的活，哪怕问题本身是用自然语言描述的、哪怕对方给出的答案读起来非常像那么回事。

三个易错点。① 看到「它也能回答换热问题」就以为可以取代仿真——它能回答的是关于换热的知识与措辞，⛔ 不是这一次的换热结果；② 把三者按「谁更准」排序——三者不在同一个可比口径上，一个有收敛判据、一个有可信域、一个两样都没有，⛔ 不可比大小；③ 把大模型给出的公式当结论直接用——公式的形式很可能是对的，而它的适用边界（几何范围、流态范围、工质范围）恰恰是最容易被省略的那一部分，⛔ 必须回到公式的原始出处核适用条件。

1.2 大模型不做数值求解：它复述数、⛔ 不产生数

是什么。输出里出现的一个数，来源只有三种：从这次送进去的上下文片段里抄的、从训练语料里记住的、为了让这句话读起来成立而生成的。⚠ 关键在于：这三种在输出里长得一模一样——同样的句式、同样的语气、同样的有效数字位数，没有任何格式上的差别把它们分开。读者无法从输出本身判断自己拿到的是哪一种。

为什么。它的生成机制是按概率续写符号，其中不含求解器，也不含单位与量纲检查。所以「把一个以米为单位的长度和一个以毫米为单位的长度相加」这类问题它可能答对，⛔ 但那不是因为它算了，而是因为这种算式在语料里出现过足够多次。⚠ 即便系统给它接了计算工具，也仍然要看日志才知道工具到底调没调、参数传对没传对、单位有没有在传参那一层被换算——工具接上了不等于它每次都会用，而它不用工具时的回答与用了工具时的回答，在版面上同样看不出差别。

工程量级。最典型的高危问法是这一类：「某工况下的换热系数是多少」「这个阀的压损大概多少」「这个电机在这个转速下的损耗是多少」。⚠ 这类问题会稳定地得到一个看起来非常合理的数——量级像、单位对、有效数字位数还挺讲究——而这个数既没有工况口径（哪个流量、哪个进口温度、哪个几何），也没有来源。本课全课⛔ 不给任何这类数值，理由不是「不方便给」，是它们本来就随平台、随工况定义而变，给一个单点值本身就是错的。

三个易错点。① 把「它给了三位有效数字」当成它算过——有效数字位数是措辞习惯，⛔ 不是精度声明；② 让它直接给结果而不要求给公式与代入过程——有过程才有得核，只给一个数等于把唯一可核的东西删掉了（个人使用层面怎么养成这个习惯，归 Q3-03 AI 辅助热管理工程工作实务）；③ 数值型问题不加任何元数据约束就丢给语义检索——「措辞最像」与「工况点对得上」是两件事，第 2 讲会把这件事拆开讲。

⚠ 这里先埋一句、⛔ 不在本讲展开：把出处补上（也就是接检索）之后，这个数会带着一条真实的、可以点开的来源链接出现。那时候它仍然可能是错的，而且更难被发现——这一条要到第 2 讲末尾才立得起来，第 6 讲再展开成可操作的三层过滤。本讲只把话放在这儿：看到出处不等于看到了正确性。

1.3 该不该独立信任，由「错误可检出性 × 错误代价与可逆性」两维决定，⛔ 不由任务难不难决定

是什么。把一个候选任务放到两维平面上（★ 这两维判据同样是本课归纳的）：

• 横轴：错误的可检出性——这件事错了，会不会在下游立刻暴露？会立刻暴露的（比如代码编译不过、数对不上、评审当场问住），是「易查」那一侧。
• 纵轴：错误的代价与不可逆性——错了改回来要花多少代价？只是把文档再改一遍，还是已经刷进车里、已经发给客户、已经据此下了单？

四格各有各的处置：代价高且难查 → 原则上不用，或降到只做候选提示；代价高但易查 → 可用，须逐条核并留痕；代价低但难查 → ★ 最容易被放过的一格，须抽核并做错误注入；代价低且易查 → 可放手做初稿。

为什么两维不能只取一维。只看代价，会漏掉「代价低但难查」那一格——而那一格的量最大，也是唯一一个警惕心天然最低的格子。只看可检出性，会把「易查但一旦漏了就不可逆」的任务放行，而可逆性与可检出性是两件独立的事：文档改错可以再改，标定值刷进车里再改，代价完全不是一个量级——⚠ 这里给的是方向性判断，两侧的具体代价都是平台相关量，本课⛔ 不给数。

为什么直觉一定会判错。直觉按「这活难不难」判：难的活多核，简单的活少核。而大模型恰恰在简单又难查那一格最危险。一个具体到可以立刻对照的例子：让它把一份报告的术语统一一遍——任务简单到不值得开会讨论，它做得又快又整齐，而它在改术语的同时悄悄把一处工况标注也改了（原文写的是某个定速工况，被顺手改成了与上文措辞一致的另一个工况名，⚠ 两个工况名读起来很像，而它们对应的边界条件完全不同）。这处改动格式完全正确、读起来毫无破绽、批量提交、⛔ 没有人会为了一次术语统一去逐条重读全文。

工程量级。最危险那一格有一组可以直接拿来自查的共同特征：产出是大批量的、格式统一的、人不会逐条重读的文本或表格。三条同时成立，就落在左下格，不管这个任务听起来多轻。⚠ 相应的处置也不是「多留意一点」这种没有落点的说法，而是两个具体动作：按写死在流程里的比例抽核，以及做错误注入——人为在输入里埋进已知的错，看这条复核链能不能把它捞出来。捞不出来，说明这条链此刻只是形式上存在。

三个易错点。① 按任务难度定复核强度——方向恰好反了；② 把「模型答得很流畅」当成可检出性高——流畅度与可检出性无关，它甚至是负相关的：越流畅越不容易被质疑；③ 忽略可逆性这一维只看可检出性——同样是「一处数写错了」，写在方案对比表里和写进标定值里，改回来的代价完全不同。

1.4 语言与知识密集型任务有六类，沿研发主线数会整类漏掉后三类

是什么。研发链路上适合大模型介入的语言与知识密集型任务，完整地数是六类（★ 这个六分是本课归纳的）：

• （a）输入侧——法规与标准跟踪、专利与文献检索、竞品与技术路线情报、供应商资料比对；
• （b）设计与分析侧——需求与 DFMEA 草拟、方案对比表、评审问题清单、仿真前后处理说明、脚本与代码；
• （c）验证侧——试验大纲草拟、试验数据异常摘要、标定报告解读、失效现象与历史案例匹配；
• （d）售后与服务侧——★ 现场抱怨文本归类、工单与故障码文本聚类、服务手册与培训材料生成；
• （e）组织与协作侧——★ 会议纪要与行动项、跨语言技术文档、新人问答、老工程师经验的结构化沉淀；
• （f）工具链自身——把上述任务串起来的 agent 编排、给仿真与标定工具写接口脚本。

为什么要先摆全集再往下讲。因为沿「需求 → DFMEA → 仿真 → 标定 → 试验 → 报告」这条最熟悉的研发主线往下数，只会数到前三类。漏掉的不是几条，是三整类——而整类漏掉不会以「少了一条」的形式暴露：数出来的清单看上去是完整的、每一条也都对，只是那三类整体不在上面。⚠ 尤其是（d）与（e）：它们恰恰是文本量最大、结构最差、最缺人手的两类，也是最不需要精确数值因而风险最低的两类。一个只覆盖设计与仿真那一段的方案，等于把最容易见效的那一半直接放弃了。

工程量级。六类的复核档位差别很大，⛔ 不能一刀切：组织协作侧多数落在档 0～1（草稿与线索、或进入文档但不决定设计）；设计分析侧与验证侧多数落在档 2（进入工程判断，要逐条回原始数据核并加第二人）；工具链自身一旦产出的是代码，就直接进档 3，走完整代码评审与既有验证台阶，⛔ 不因为「这是 AI 写的所以先试试」而豁免任何一级。四档的完整定义在第 4 讲，六类在研发链路上的落点分布图见第 4 讲的图 12。

三个易错点。① 只在「设计仿真」这一段找应用场景——那是漏掉三整类的直接原因；② 把售后文本当成没有工程价值的语料——现场抱怨与工单文本是唯一一份来自真实用户、真实工况、真实失效的连续记录，它结构差不等于它信息少；③ 把「经验沉淀」理解成「让模型自动总结一下」——沉淀方法本身归 Q3-02 工程知识管理与经验沉淀方法，本课只讲怎么把已经沉淀好的东西接进检索与生成系统，⛔ 两者不是一件事。

1.5 与代理模型配合：接口是「谁负责哪一段」，⛔ 不是「谁更准」

是什么。大模型与代理模型可以在同一条工具链里配合，典型形态是这样：大模型负责把一句自然语言需求翻译成一次代理模型调用的输入，并把返回结果解释成人能读的话；代理模型负责数值预测本身。两者之间是函数调用关系——参数与量纲由代码层校验，⛔ 不由大模型自由裁量。

为什么这条边界必须写成接口。因为边界写成函数签名，错误就落在可测试的地方：单位不对，校验层当场拒绝；超出区间，返回约定说得清清楚楚；要复现，把入参记下来重跑一次就是了。而边界写成「让大模型自己判断该不该调、该传什么」，错误就落在无法复现的地方——同样一句话问两次可能走两条不同的路径，出了问题连「上次它到底传了什么」都答不上来。⚠ 这一条与「谁更准」完全无关：准不准是各自领域内的问题，而接口解决的是「出了错能不能查出来」的问题，两条判据⛔ 不可互相推导。

工程量级。这条接口上必须显式声明的至少三项，一项都不能留在口头上：

1. 输入量的单位与有效区间——写进签名，由代码层校验，⛔ 不靠调用方自觉；
2. 代理模型的可信域——承接 J7-05 机器学习/AI 代理模型在热管理中的应用 给出的可信域声明，⚠ 它必须落进接口，⛔ 不能留在写这个模型的工程师心里；
3. 超出可信域时的返回约定——是报错，还是给一个带警示标记的外推值？两种都可以，但必须二选一写死，⛔ 不能是「看情况」。

三个易错点。① 让大模型「顺便估一个」，去补代理模型不覆盖的那些工况——那正好把一个有可信域、会报警的东西，换成了一个没有可信域、不会报警的东西，方向完全反了；② 把可信域声明留在人的脑子里而不落进接口——那样它只在写的人自己调用时有效，换个人调用就失效了；③ 两侧的不确定度各报各的，最后没有人把它们合起来看——不确定度怎么分类、怎么合成，归 J7-06 仿真不确定度量化（UQ）与稳健/可靠性设计：从确定性单点到带分布的裕度；而在一批试验与标定数据上怎么把它评估出来、怎么用它判偏差显不显著，归 L7-03 试验数据分析与不确定度评估（⚠ 两者是方法与用法的分工，⛔ 不是两个互斥归属，全课这两处指向一律按这条分工读）。

1.6 本课与五门相邻课的边界：个人用法、数值代理、车云与孪生、上车论证、知识资产本体各归各家

是什么。本课讲的是企业级系统怎么建、怎么管。与它最容易混的五门课，边界各是一句话：

相邻课	它管什么	本课管什么	分开的那句判据
Q3-03 AI 辅助热管理工程工作实务	工程师个人日常怎么用	企业级系统怎么建与怎么管	给谁用：个人还是组织
J7-05 机器学习/AI 代理模型在热管理中的应用	数值代理模型（小模型做数值预测）	语言与知识引擎	产出是不是数
N6-01 预测性热管理的车云数据生态与产业路径 / N6-02 整车热管理数字孪生与在线优化	车云数据生态与数字孪生本体	建在它们之上的自然语言查询层	跑在车上还是云上、管的是数据本体还是查询层
K2-05 预期功能安全（SOTIF/ISO 21448）与 AI 件安全论证在热管理的落法	输出进入上车工程决策链时的 AI 安全论证	输出进入研发决策链时的复核与治理	输出进不进上车的功能或安全判断
Q3-02 工程知识管理与经验沉淀方法 / Q3-04 热管理数值型基准库治理：口径标注、跨源置信排序、退役与入库门槛	文本型与数值型知识资产本身该怎么建	怎么把已建好的资产接进检索生成系统	管的是资产本体还是接入方式

为什么必须先划再讲。不划这五条，本课会往两个方向同时垮：一是退化成一门「AI 万能课」——什么都沾一点，什么都不给判据；二是与相邻课给出互相矛盾的口径——比如这边说「知识条目要按某某六列登记」，那边也说一套，两套并存，几个月后必然漂移。⚠ 而「两套口径并存必然漂移」正是本课自己在批评的那件事，本课自己⛔ 不能犯。

工程量级。这五条边界都是一问就能判的是非题，⛔ 不需要权衡：给谁用（个人／企业）· 产出是不是数 · 跑在车上还是云上 · 输出进不进上车决策链 · 管的是资产本体还是接入方式。答完这五问，一件事归哪门课就定了。

⚠ 本课对这五门课的处理一律是「写去向」。说清一件事归哪门课管，⛔ 不代替那门课给判据、⛔ 不给它的限值与门槛。尤其是 K2-05 预期功能安全（SOTIF/ISO 21448）与 AI 件安全论证在热管理的落法：输出一旦进入上车的功能或安全相关判断，就是图 2 里那个画在带外的档 4——超出本课射程，本课只给去向，⛔ 一个判据、一个门槛值都不给。

三个易错点。① 把 Q3-03 AI 辅助热管理工程工作实务 的个人核验习惯直接当成企业治理制度——个人版缺了准入、审计、责任归属三层，而这三层恰恰是「制度」与「习惯」的全部差别；② 把本课的复核门槛拿去管上车件——本课的四档是按研发决策链的输出去向划的，⛔ 不覆盖上车场景，拿过去用是跨射程引用；③ 在接入侧另立一套知识入库标准——入库门槛沿用 Q3-02 工程知识管理与经验沉淀方法 与 Q3-04 热管理数值型基准库治理：口径标注、跨源置信排序、退役与入库门槛，本课只在入库层加三条补充（3.2 给），另在检索层加一条硬规则（2.6 给），⛔ 不重开一套。

1.7 每一个场景最后都要落回三样东西：复核点、追溯路径、责任归属

是什么。这是全课第一根钉子的落地形态。判据句只有一问：这条输出会不会进入工程决策链？

• 会 → 必须同时具备三样：一个指名到人的复核点、一条能追回原始文档的追溯路径、一份出错时的责任归属。三样是「同时」，⛔ 不是三选二。
• 只给人看的草稿 → 复核可以抽样，但⛔ 不为零。「只是草稿」不是把复核降到零的理由，只是把它从逐条降到抽样的理由。

为什么拦得住这类错误的不是模型能力，是流程。因为大模型的错误不是随机噪声。随机噪声会以「读起来不对劲」的形式暴露自己，而它的错误是格式完全正确、语气高度自信的——一个不存在的标准编号会带着完全正确的编号格式出现，一个错的参数会带着讲究的有效数字出现。这类错误没有任何形态上的特征可供识别 ⇒ 唯一拦得住它的，是「谁在什么节点、凭什么依据、核过了什么」这条记录。⛔ 换一个更强的模型不解决这个问题：更强的模型只是让错误出现得更少、更隐蔽，而更隐蔽恰恰更危险。

工程量级：三样东西的落地形态是可数的，因此可以当场检查。

1. 复核点＝流程图上一个带责任人姓名的框。⚠ 写成「团队复核」等于没有复核——没有指名到人的复核，出事时每个人都可以合理地认为是别人在核；
2. 追溯路径＝一条从这句结论一直追到源文件与它的版本号的链。链上每一环的必备字段第 6 讲给全；
3. 责任归属＝一份签署记录：谁、什么时候、核了哪几条、依据是什么。

三样里少任何一样，这个场景就还没落地——⛔ 这不是「还需要打磨」，是没落地。本课后面六讲的每一个场景（DFMEA 草拟、标定报告摘要、MBD 代码、情报整理、云图判读、agent 编排）到最后都要回到这三样上，落不回去就不往下走。

三个易错点。① 把「输出质量很好」当成可以省掉复核的理由——质量好只改变错误的频率，⛔ 不改变错误的形态，而拦不住它的正是形态；② 把复核写成「团队复核」「相关方确认」这类没有主语的说法——没有主语就没有责任归属，三样里直接少一样；③ 只给人看的草稿就把复核降到零——正确做法是把抽查比例写死在流程里，⛔ 不是靠各人自觉，⛔ 也不能是零。

这一讲的收口，同时是下一讲的入口。1.1 到 1.3 回答了「交不交、交了能不能独立信任」，1.4 到 1.6 回答了「在哪儿用、跟谁配、什么不归我管」，1.7 给出了每个场景最后都要挂上的三样东西。⚠ 但这三样里最难的那一样此刻还是悬空的：追溯路径要追到哪里去？通用模型不知道你的车型、你的标准、你的历史失效案例，它连一个可追的地方都没有。第 2 讲从这里接着讲——怎么把企业自己的文档接进来，让「无从核起」变成「可以核」。⚠ 而「可以核」与「已经核过」是两件事，这一条会贯穿本课剩下的全部内容。