Q3-03 AI 辅助热管理工程工作实务

课程代码 Q3-03 · 板块 Q 职业发展与工程协作 / Q3 工具与效率 时长 约 3.0 小时（6 讲 + 1 次 AI 辅助工作流实操） 适合对象 全岗位工程师与技术管理岗，尤其是日常涉及脚本、文档与资料检索工作的人；进阶选修 前置 体系外前置（需自备）：无特定技术前置；建议先完成 Q3-01 热管理工程师的数据分析与 Python 脚本 热管理工程师的数据分析与 Python 脚本，便于结合场景理解 本讲义定位 讲师授课蓝本 / 学员自学讲义，是 Q3-03 大纲的完整展开版

---

引言：它给了你一个格式完全正确的标准编号，而那个编号不存在

一位仿真工程师在写电池热管理台架脚本的间隙，顺口问了一句某个国标限值。回来的答案斩钉截铁，还附着一个编号——体系代号是真实的、书写格式是合规的、年份也落在一个合理区间，只有顺序号是虚构的。他把编号与限值写进了试验报告的引用条目。这条信息通过了初稿、通过了内部评审、进了正式交付物，一路都没有被任何人拦下，直到客户或第三方去官方目录里按号查的那一刻才暴露；而可信度是连坐的——报告里其余本来没问题的部分也一并被质疑。同一天、同一个人、同一个模型，他还用它把三份英文论文里与自己问题相关的段落圈了出来，省下的调研时间是实实在在的。同一个工具，两种可信度。本课要讲清的，就是这两种可信度之间那条线画在哪、凭什么画。

学完这门课，你应当能做五件事：① 列出热管理工程师日常工作里 AI 辅助价值最高的具体场景，并说得出每一类为什么值——不是凭印象，是凭一条可判真假的判据；② 设计一套「AI 输出必须人工复核」的工作习惯，把「工程师把关」从一句态度落成几个可执行的动作，尤其在数值计算与标准引用这两处；③ 判断哪些内容绝不能贴进公开 AI 工具，并且知道这条判据管的不只是「贴」这个动作；④ 写出让输出更可用的工程提问方式——给约束条件、要求给出依据、要求指出不确定处，以及在给约束之前先自查这些约束会不会互相打架；⑤ 识别两类最容易让工程师信错的错误——编造的精确数字与编造的引用来源，并且知道它们只是错误形态里的两类，还有一整支「内容是真的、只是不适用」的错误逐句核内容根本核不出来。

这门课站的位置很窄，也正因为窄才值得单独讲一次：它不在「AI 怎么做」那一侧，而在「你这一步该不该用它、怎么问它、怎么核它」这一侧。它不教怎么训练模型，不教企业知识库怎么搭，也不教怎么用数据驱动的小模型去替代高成本仿真——那三件事各有属主课。它管的是你今天上午打开对话框之前的那一次判断，和你把它的输出复制进文档之前的那一次核验。全课六讲的动作都发生在这两次之间：第 1 讲先把「AI 擅不擅长」这个问法否掉，换成一条落在你这一侧的判据，并按这条判据把日常场景切成六类、外加一类明确排除，同时讲清「AI 说的」与「AI 查到的」差在哪；第 2 讲讲代码与调试这类「有免费验证器」的场景——以及那个免费验证器只覆盖到第几层，还有贴报错时最容易带出去的其实不是数据；第 3 讲讲文档、纪要与标准检索这类「没有免费验证器」的一半，编造的编号为什么存活率极高，以及开篇那个案例的完整拆解；第 4 讲把提问方式改造成「让输出落进你核得动的粒度」，并处理一个高发但少被讲的问题——互斥的约束提出来时模型不会报错；第 5 讲把前四讲收成分层核验流程与六项核验动作，把出处四步核法、错误形态八类与四条关系式的口径一并钉死；第 6 讲把判据推到数据边界与协作层面上，讲六类不得外发的内容、七类部署形态，以及个人／团队／组织三层里哪些事根本不是你能定的。其后的关键判据与口径详解、典型案例、常见误区与动手做，各自把这六讲重新合成一次。

第一根钉子（全课下文一律简称「钉子①」）：判一步能不能用 AI，判据是「这条输出错了，谁在什么时候会告诉我，发现它要花多少钱」——不是「AI 擅不擅长这件事」。「擅长」是模型的属性，而「能不能用」是你这一步工作的属性。同一个模型，让它写一段解释性文字（错了你读的时候当场就知道）与让它给一个标准限值（错了可能要到评审会上、甚至到客户查目录时才暴露），可用性天差地别，而模型什么都没变。⇒ 判据必须落在你这一侧，⛔ 不在模型那一侧。这根钉子的可操作形式是两问：这个错误会不会自己暴露（有没有一个免费的验证器）；如果不会，我要花多大成本才能发现它。六讲各有一个落点——第 1 讲用它把场景切成六类并排除第七类；第 2 讲讲代码这类有免费验证器的场景，以及那个验证器只覆盖前两层；第 3 讲讲文档与检索这一半，开篇案例的两条路径就是它最干净的一份证据；第 4 讲把提问改造成让输出落进核得动的粒度；第 5 讲把它落成分层核验与六项核验动作；第 6 讲把它推到数据边界上——「它能读到什么」也是这条判据的一种形态。⚠ 这条判据推出的六类＋一类分法是本课归纳的，⛔ 不是大纲既有、也不是任何标准里的既有分类。

第二根钉子（下文简称「钉子②」）：能不能用 AI，问的是「这一步的输出我核得起吗」，不是「AI 会不会做」——核验时间必须进账。净收益 = 节省时间 − 核验时间 − 返工风险成本；只算第一项，就是本课要治的第二个主症「看着快、实际慢」。这条钉子同时解释两个方向的误用：核验成本低的场景（读懂一段英文标准、把散记录整理成行动项、贴一段报错让它给排查方向）拒着不用，是白扔效率，而且并不因此降低任何风险；核验成本高于「直接去权威源查一遍」的场景（限值、编号、版次），用了 AI 净收益必为负——那不是「要小心用」，是这一步一开始就别问它。⚠ 还有一处容易被漏掉：核验时间不是常数，它随「这条输出去哪里」上升——同一句话写进自己的草稿与写进对外报告，需要的核验强度不是一回事 ⇒ 判「该不该用」必须连着「这一步的输出进哪个交付物」一起判，这一条在第 5 讲展开。⛔ 另有一条禁令要在这里先说：三笔账必须逐任务算，⛔ 不得把高风险任务与低风险任务并成一个总账——并了之后，高风险那一步的负收益会被低风险那些步的正收益淹没，你会得到「总体上是划算的」这个正确但无用的结论，然后继续在那一步踩坑。

先把本课最容易被读反的一条摆到台面上：「让 AI 标注不确定性」与「让 AI 给出处」这两个方法，会被读成「标了、给了就不用核」，于是核验资源被从它最该去的地方撤走。这条之所以高发，是三个原因叠加，缺一条都不至于这么普遍：一，这两条恰恰是本课自己教的方法——一门课自己给出的降险措施，最容易被读成「有了它风险就没了」；二，人际经验在这里恰好反向——人对人的经验是「说得越犹豫越不可靠」，而模型的措辞确定度与它的正确率之间没有可用的对应关系，方向常常是反的：冷门问题恰恰是它答得最流畅的一类（语料里缺少对立信息去打断生成），而冷门正是编造率最高的那一格；三，出处看起来是可核验的——链接能打开、文档真实存在，这两件事给了读者一个「我核过了」的错觉。

这条读反会导出两个具体动作，判据就在这两个动作上。动作一：问了一个冷门的标准限值，AI 答得斩钉截铁、还附了编号；因为「这次它没说不确定」，就把编号与限值直接写进报告的引用条目——开篇那个案例走的正是这条路。动作二：AI 带着一条真实的链接给出一个限值，核了「链接打不打得开」就算核过了；而那份文件是被代替的旧版，或者它管的是另一类对象（乘用车的条款拿去管商用车、整包的条款拿去管电芯）。动作二的后果比动作一更隐蔽，因为「我核过出处了」这句话会让下一个复核的人也跟着放松。⇒ 正解：核验的对象不是「AI 有没有表示不确定」，而是这条输出属于哪一类（钉子①）。数值类与引用类一律走同一条流程——出处按四步核（存在性 → 现行版本 → 射程 → 是否真的支持这个结论），数值独立算一遍或查权威源并留痕。⛔ 不因为它说得肯定而跳过，⛔ 不因为它给了出处而跳过，⛔ 也不因为它标了「不确定」就只核那几处：它标出的不确定处只是一份优先排查表，⛔ 不是一份免检名单。⚠ 反向也要防：⛔ 不得把这一条读成「所以标注不确定性没用、要出处也没用」。两件事都有用——它们把「凭空编造」这一类风险压了下去，只是没有取消核验，而且把核验对象从结论换成了出处；据此得出「不必要求 AI 给依据」的结论，正好丢掉本课第四条目标的另一半。

最后把边界划清——这门课与相邻几门课的射程如果不在开篇写死，它必然与它们重叠、或者整段落空。本课定六件事：① 一步工作该不该用 AI 的判据，及由它推出的场景分类；② 每一类场景的核验结构——错了谁来发现、什么时候发现、要花多少钱；③ 工程提问方式：给约束、要依据、要它指出不确定处，以及提问前的约束冲突自查；④ 输出核验：分层核验与六项核验动作，含出处四步核法与错误形态的分类；⑤ 贴进公开 AI 工具之前的内容边界与脱敏动作；⑥ 个人使用习惯与团队、组织两层之间的接口。本课不定的，逐项写明归谁：模型训练与微调、企业知识库的清洗切分与更新、组织级工具选型与治理 → N6-03 AI 大模型在热管理开发中的应用；为某一个输入输出映射训练的数值预测代理模型及其可信域 → J7-05 机器学习/AI 代理模型在热管理中的应用（⚠ 它与大模型不是同一类模型，判据不可互套）；Python 语法、pandas 与计算表的分区和自检行 → Q3-01 热管理工程师的数据分析与 Python 脚本；不确定度评定与试验报告的结构 → Q2-03 技术文档、试验报告与专利撰写 与 L7-03 试验数据分析与不确定度评估；简历、作品集与公开演讲的对外脱敏判据 → Q1-04 热管理领域求职、面试与作品集；知识资产的颗粒度、组织与检索，以及离职时的个人侧边界 → Q3-02 工程知识管理与经验沉淀方法；工程师在系统取舍上坐在仲裁位这一条能力定位 → Q1-01 热管理工程师能力模型与成长路径；制冷循环的量值判据 → A1-04 工程热力学与蒸气压缩制冷循环（log p-h 图判读）。⛔ 对不定的部分，本课一律只给类型与去向，不给限值、条款内容与判定标准。

⚠ 由此有三种读法会落空。一是把本课当合规课或法条课读，来找条款号、判定标准与罚则——本课未独立核对过《生成式人工智能服务管理暂行办法》与 GB/T 35273 中任何一份的原文，对它们只写名称与它们管的方向，⛔ 一个条款、一个限值、一个日期都不写；版次与现行有效情况以现行文本为准，引用前须核。本课不作法律意见：你实际要遵守的是你所在企业的现行制度与法务口径，两者冲突时以后者为准；企业内部数据分级分类制度是体系名、不是统一国标，各企业自建，级数与命名不统一、跨企业不可对照。二是把它当工具评测课读，来找哪个产品更强、幻觉率是多少、上下文窗口多大、提效几倍——这些量随产品与版本变，写下即过期，本课一律不给数、不给区间、不给排序，也不引用任何评测榜单的数字；能给的只有单调方向（越冷门越高、越缺检索来源越高）与「哪一格必须走权威源头」的分区。三是来找一套可以直接照抄的提示词模板或打分表——本课给出的四条关系式全是符号化的定性表达，写出来是为了让你记住账上有哪几项、哪些因素同向，⛔ 不是为了代入算出一个数，更不能拿去做工具选型对比或团队考核指标。⚠ 这一条不是谦虚，是自洽：一门讲「AI 会给你看似精确的假数」的课，如果自己给出四条可以代入的公式，就是在做同一件事——用一个看起来精确的形式，承载一个没有测量支撑的判断。本课能给你的不是数，是判断这一步该不该问它的那条判据，和把它的输出核到能进交付物的那套动作。

第 1 讲　判据在你这一侧：能不能用 AI，看的是「这条输出错了，谁在什么时候会告诉我」

这一讲不教怎么用 AI，只做一件事——把「能不能用」这个问题从模型那一侧搬到你这一侧。你大概听过很多种答法：「它擅长写文档、不擅长算数」「它会一本正经地胡说」「要辩证地看」。这些话都不算错，但它们有一个共同的毛病——明天你坐在工位上，手里有一个具体的活，它们一句也用不上。本讲要给的是一条明天就能用的判据，以及按这条判据切出来的一张场景表。六节依次是：本课把 AI 当什么用、不当什么用（1.1）；把「AI 擅长什么」这个不可操作的问法换成两问（1.2）；按这两问把场景切成六类、并把一类明确排除在外（1.3）；「AI 说的」和「AI 查到的」到底改变了什么、又没改变什么（1.4）；本课与 J7-05 机器学习/AI 代理模型在热管理中的应用、N6-03 AI 大模型在热管理开发中的应用 的分工（1.5）；本课明确不讲的六件事（1.6）。

两根钉子从这一讲开始敲，全课每一讲各敲一遍。第一根：判一步能不能用 AI，判据是「这条输出错了，谁在什么时候会告诉我，发现它要花多少钱」，⛔ 不是「AI 擅不擅长这件事」——「擅长」是模型的属性，而「能不能用」是你这一步工作的属性，它在 1.2 落成两问、在 1.3 落成一张场景表。第二根：能不能用 AI，问的是「这一步的输出我核得起吗」，核验时间必须进账——净收益 ＝ 节省时间 − 核验时间 − 返工风险成本，只算第一项就是本课要治的第二个主症「看着快、实际慢」；它在 1.3 第一次落地，用来解释为什么有一类场景不是「要小心用」而是一开始就别问它（完整的记账口径在第 5 讲）。

1.1 本课只把 AI 当两件事用：更快的初稿生成器、更耐心的对话式检索——它内部没有物理模型

是什么。本课给 AI 的定位只有两件事：把「从零到有一版」的时间压掉（初稿生成器），把「我不知道该搜什么词」的时间压掉（对话式检索）。除此之外的角色——「会算物理的工程师」「能替你做系统权衡的人」「标准限值的查询接口」——本课一概不给。理由不是谦虚，是结构性的：它内部没有能量守恒，没有物性库，没有量纲检查。

为什么是这个定位。大模型生成的是下一个最可能的词，⛔ 不是「满足约束的解」。这一条差别决定了它在两类任务上的表现完全不同：

• 语言任务的「对」有很宽的容差——同一段话有成千上万种说法都算对，它落在其中任何一种上你都接受；
• 数值任务的「对」只有一个点——一个物性值、一条限值、一个中间量，差一点就是错。

⇒ 所以它能写出一个形式完全正确的换热计算过程：公式的结构对、步骤的顺序对、单位看起来也齐，而其中的物性值是「看起来像」的，不是查出来的。这不是「它数学不好」，是任务性质不同——同一个机制在语言任务上是优点（说得通顺），在数值任务上就是缺陷（编得通顺）。

本节一个能力数都不给。⛔ 不给准确率、不给能力评分、不给榜单名次，也不给「幻觉率」这类百分比——这些量随模型与版本变，写下即过期，属于本课判定的不给数那一类。本课在这个方向上只给单调方向（越冷门越容易编、越缺可检索的来源越容易编）与「哪一格必须直接走权威源头」的分区，那是第 5 讲的内容。

易错点：把「它写出了正确的公式」当成「它算对了」。一段计算至少四步——写公式、代入量、取物性、算结果。⚠ 这四步里只有第一步是它稳的：公式的形状在语料里高频出现，而你这个工况下该代哪个值、该取哪一组物性，语料里没有，它只能给一个「像那么回事」的数。正解：把它当「给我一个可核验的过程」用——要公式、要中间量、要单位、要每个量的来源；⛔ 不当「给我一个结果」用。这两种问法的差别有多大，第 2 讲会用一个反面例子讲透。

1.2 「AI 擅长什么」这个问法给不出判据；能用的判据只有两问：错了谁来发现、发现要花多少钱

常见的答法是列一张清单：擅长语言重写、代码调试、结构化整理；不擅长精确数值计算、不擅长它没见过的最新标准细节。这张清单没有错，但它不可操作——你手上这个活到底算「语言重写」还是「精确数值计算」，清单本身不回答；而真正的工程活大多是混着的：写一段试验报告的结论，既是语言重写，里面又嵌着三个数和一条引用。

换成两问，它就可操作了。拿到手上这一步，只问：

1. 这条输出如果错了，会不会自己暴露？——也就是：有没有一个免费的验证器（跑一次、读一遍、去找一下就知道对不对）；
2. 如果不会自己暴露，我要花多大成本才能发现它？——是量纲自检那种几秒钟的成本，还是「去官方目录查一遍、把原文读一遍」那种成本。

⚠ 「免费验证器」这个词全课有宽窄两种用法，先在这里分清，⛔ 后面不再解释——两种都免费，差别在谁来动手：

• 宽义（本讲用的）：任何不额外花钱的验证办法，包括你自己的一个动作——读懂即验证、原文在手逐条对、去找一下就知道。⇒ 下一节那张表里六类各有各的免费验证器，⛔ 没有哪一类是空的。
• 窄义（第 2、3 讲用的）：机器替你跑的那一种——它会主动来告诉你，判据无歧义，而且你不必先知道正确答案。

⇒ 所以第 2 讲说代码是「全课唯一」有验证器的一类、第 3 讲说文档与检索那一半「没有验证器」，说的都是窄义那一种，⛔ 不是说另外几类连一个便宜的核法都没有。★ 这个区别不是咬文嚼字，它决定了一件很实际的事：窄义的验证器你忘了它也会响，宽义的验证器你不动手它就永远不响——⇒ 后者必须被写成一个你事先定好的动作（第 3 讲 3.2、第 5 讲 5.2）。

为什么必须这样换。★「擅长」是关于模型的属性，而「能不能用」是关于你这一步工作的属性。同一个模型、同一次对话里：让它写一段解释性文字——错了你读的时候当场就知道；让它给一个标准限值——错了可能要到评审会上、甚至到客户复核时才暴露。两者的可用性天差地别，而模型什么都没变。⇒ 判据必须落在你这一侧，⛔ 不在模型那一侧。这就是钉子①。

顺带交代一个刻意不给的量：它的知识截止时间。⛔ 本课不写任何具体日期、不写年份——每个产品与版本各不相同，同一个产品接了检索之后表现又不同；以工具自身的当前说明为准。★ 并点破一个高发动作：⛔ 不得凭上一次使用的印象去推断它知不知道某个新标准——那等于用一个你自己没核过的日期，做了一次射程判断，而射程判断本来就是本课要你亲手做的那一步。

易错点：拿个别体验推广成能力判断。「它连这个都会」「它连这个都不会」——这两句话在办公室里天天有人说，而它们都是 n＝1 的样本。⛔ 在一次或几次体验上成立的观察，不得写成「它在某类任务上就是不行／就是行」这样的全称判断（同样的自律在第 6 讲的动手做里还要用一次：你自己记录的样本必须写明 n 是几）。正解是别给模型定位，给你手上这一步定位——怎么定位，就是下一节那张图。

1.3 场景按「错了谁来发现」分六类，另有一类明确排除——沿「工作产物类型」数会整类漏掉三类

先说这一节最容易出错的地方：怎么数。大多数人数场景是沿工作产物类型数的——脚本、文档、检索、纪要。⛔ 这样数必漏，而且漏掉的是整类：不产出任何交付物的那几类根本不在这条线索上。所以下面这张表不按产物类型排，按上一节那两问排。

六类（本课归纳的分法，⛔ 不是任何既有标准或规范的内容）：

类别	典型动作	它的免费验证器是什么	核验成本
① 理解型	把看不懂的英文标准段落、别人写的代码、供应商手册讲成人话	读懂即验证——你能不能自己复述、能不能预测下一步	≈ 0
② 转换整理型	散数据整理成表、会议记录转行动项、中文说明转英文邮件	原文在手，逐条对得上就算核过	低，且线性可控
③ 生成初稿型	写脚本、写文档段落	⚠ 内部要再分：代码有免费验证器，文字没有	视子类而定
④ 调试排错型	贴报错，问「可能是什么原因、每个原因怎么验证」	跑一次就知道，判据无歧义	全课最低
⑤ 检索收敛型	「我不知道该搜什么词」「这三份论文里哪几段与我的问题相关」	你去找的动作本身就是验证	≈ 0
⑥ 反驳挑刺型	把我的方案贴给它，让它找漏洞	假阳性无害——它列十条我自己判掉九条，有一条是我没想到的就赚了	结构与其余五类都不同

★ 表里的 ①⑤⑥ 三类，沿产物类型这条线索一条也数不出来：理解型不产出任何交付物，它只改变「我懂不懂」；检索收敛型的输出是去哪找而不是答案；反驳挑刺型的产出是一份待判清单，不是一份成果。⚠ 而理解型恰恰是核验时间这一项最低的一类——核验在你阅读的过程中就完成了，几乎不额外花钱。⚠ 别把这句话读成「它净收益最高」：三项账一起看，净收益最高的是第 ④ 类调试排错型（它省下的是定位时间，那一项也最大，见第 2 讲 2.1）；理解型赢在核验时间这一项，两者赢在账上不同的位置。⇒ 沿产物类型数场景的人，第一个丢掉的就是他最该多用的那一类。

⚠ 第 ⑥ 类值得单独说一句，因为它的成本结构和其余五类都不一样：它的假阳性是无害的。你要它挑你方案的毛病，它列十条，其中九条你一眼就判掉——这九条不构成损失，只花掉你几分钟。真正的损失只有假阴性（它没提到而你也没想到的那一条），而那一条本来就不在你手上。⇒ 这一类的用法与其余五类相反：⛔ 不要求它「说得准」，只要求它「说得多」。

⛔ 第七类：精确数值与权威条款的直接来源型——问限值、问物性、问编号、问版次。它不在上面那张表里，因为它不是「要小心用」，是本课判定不该把 AI 当来源用。理由是钉子②的一次直接代入：这一类没有免费的验证器，你要核它，唯一的办法是去官方目录、去标准原文、去物性库查一遍；而核它的成本 ≥ 直接去权威源查一遍的成本 ⇒ 节省时间那一项本来就接近零甚至为负，再减去核验时间与返工风险成本，净收益必为负。⇒ 这一步一开始就别问它。⚠ 注意这条结论的形状：它不是「AI 在标准问题上准确率低所以要谨慎」（那需要一个我们没有也不打算给的准确率数），而是「不管它准不准，这条路的账都算不平」——判据仍然落在你这一侧。

1.4 「AI 说的」和「AI 查到的」要分清：接了检索之后，核验对象从结论换成出处，⛔ 不是取消核验

是什么。同一个问题，模型有两种答法，而这两种答法留给你的核验抓手完全不同：

• 凭记忆答：提问 → 生成 → 一个结论，没有出处。你要核的是「这个结论对不对」，而你手上没有任何线索——除了再去权威源查一遍，你无事可做。
• 接了检索之后答（也就是常说的检索增强生成 RAG）：提问 → 检索 → 生成 → 结论，外加一个出处。你要核的变成四件事：这个出处存不存在、是不是现行版本、它的射程管不管我这一类、它是不是真的支持这个结论。

为什么这个区别重要，又为什么它常被读反。★ 检索改变的是风险的形态，⛔ 不是风险的量级。它把「凭空编造」这一类压了下去——这是真实的收益，别否认它；但与此同时，它把「引错、引旧、射程不对」这一类的可信度抬高了：出处看起来是真的，链接点得开，文档确实存在，读者更容易照单全收。⇒ 净风险不一定下降。⛔ 本课不给任何「检索增强把编造降低了多少」的数——那是随产品与版本变的量，且我们没有取到任何可核验的测量。

⚠ 这是本课最容易被读反的那条在第 1 讲的第一个形态：看到有链接就当核过了。检索增强最典型的失效不是「它编了个链接」，而是带着一个真实但已过时、或射程不对的出处自信作答——那份文件是被代替的旧版，或者它管的是另一类对象（乘用车的条款拿去管商用车、整包的条款拿去管电芯）。这种失效通不过任何「链接打不打得开」式的检查，因为链接确实打得开。

正解只有一句：核验对象从结论换成了出处，出处本身仍然要核，而且要按四步核（存在性 → 现行版本 → 射程 → 是否真的支持这个结论）。这四步的完整展开、每一步不过怎么办、以及为什么顺序不能倒，见第 5 讲；这一节你只需要先把「有出处 ≠ 核过了」这件事钉住。

1.5 本课与 J7-05 机器学习/AI 代理模型在热管理中的应用、N6-03 AI 大模型在热管理开发中的应用 不是深浅之别，是三条不同的轴

是什么。这三门课经常被并在一起说成「AI 相关的课」，但它们回答的不是同一个问题：

• 本课问的是：我今天这一步该不该用它、怎么问、怎么核。射程是个人日常工作流，覆盖从提出问题到评审归档的每一格，但每一格都只是辅助，且每一处都要人工复核；
• J7-05 机器学习/AI 代理模型在热管理中的应用 问的是：这个高成本仿真能不能用数据驱动的小模型替代、它的可信域在哪；射程落在建模仿真与出结论这两格；
• N6-03 AI 大模型在热管理开发中的应用 问的是：我们组织要不要建系统、企业知识怎么接进来、治理规则怎么定；射程落在查资料查标准、写文档报告、评审归档这几格，而且是组织层不是个人层。

为什么不能互套。★ 三者用的甚至不是同一类模型：代理模型是为某一个输入输出映射训练出来的数值模型，大模型是语言与知识引擎。⇒ 两者的判据形状不同，⛔ 不可互相搬用。代理模型的「可信不可信」是一个可以画出来的东西——输入范围、样本密度、外推检测；而大模型的「可信度」不是这个形状，它没有一个可以画出边界的输入空间。⛔ 不得把外推检测那一套搬过来当成大模型的判据，那会给你一个虚假的安全感。

易错点：两个方向都要防。

• 向下越界：把本课的个人复核习惯当成组织治理规则去执行。⚠ 个人定不了组织的事——数据能不能外发、工具怎么选、知识库怎么接，这些不是「我觉得这样安全」能决定的（第 6 讲会把三层分清楚）。
• 向上免责：以为「公司买了企业版工具、建了检索增强系统，我个人就不用核了」。⚠ 那是把治理层的措施当成了个人层的免责——组织层的系统能改变数据流向和检索质量，但它改变不了「这条数进了我的报告」这件事的责任归属。

1.6 本课明确不讲的六件事：只给去向，⛔ 不重述本体

把边界写在第 1 讲，是为了让你在往下读的时候不必猜「这门课是不是漏了什么」。以下六件事本课明确不讲（这条边界是本课归纳的射程线，⛔ 不是任何既有规范的划分）：

不讲什么	去哪里
模型训练与微调；企业知识库的清洗、切分与更新机制	见 N6-03 AI 大模型在热管理开发中的应用
代理模型的训练、验证与可信域	见 J7-05 机器学习/AI 代理模型在热管理中的应用
Python 语法与 pandas；计算表的分区与自检行	见 Q3-01 热管理工程师的数据分析与 Python 脚本
不确定度评定；试验报告的结构与可追溯性要求	见 Q2-03 技术文档、试验报告与专利撰写 与 L7-03 试验数据分析与不确定度评估
简历、作品集的对外展示脱敏判据	见 Q1-04 热管理领域求职、面试与作品集
知识资产的颗粒度、组织方式与检索	见 Q3-02 工程知识管理与经验沉淀方法

为什么这样划。本课的受众是日常会用到它的每一个工程师，⛔ 不是「要建系统的人」。把系统建设、模型原理、语法教学搬进来，篇幅会被背景知识吃掉，而真正每天要用的那几条判据反而被稀释——那正是本课要治的症状之一：知道很多关于 AI 的说法，回到工位上仍然不知道这一步该不该问它。

⚠ 一条措辞上的自律，也请你在自己写文档时照用：上表右栏一律写「见某某课」，⛔ 不写「某某课里已经讲透了」这类自封句——你并不掌握另一份材料此刻的状态，写成「已讲透」，读者点过去可能是一个还没有内容的地方。指路是你负得起的承诺，替别人打包票不是。同一条自律在工程文档里同样成立：写「详见某某报告第几节」是指路，写「该问题已在某某报告中解决」是替另一份文件背书。

还有一条不是「不讲」而是「不作」的边界，这里先立在这儿：本课给的是工程习惯，⛔ 不是合规依据，也不作法律意见。涉及能不能外发、涉及个人信息、涉及尚未申请的技术方案时，你实际要遵守的是你公司的现行制度与法务解释；本课与它冲突时，以后者为准。第 6 讲会把这条讲完整，并把该给的去向一次给齐。