认知架构与功能架构:AI系统设计的两种起点

LLM 之所以划时代，不仅仅因为它看起来会聊天,查询,写文章,做代理,或者是更聪明的多轮次的地自主执行和修正指令，而是因为它

首次让认知的构建与转移，成为可工程化的核心对象。

延伸阅读

当我们谈论人工智能系统时，究竟在谈论什么?

认知空间的概念体系-非豪斯多夫空间中的拓扑特征与结构

关系·过程·约束·涌现·自指：认知系统拓扑学的哲学世界观与 Agent系统认知架构思想

从知识图谱到认知拓扑：知识工程方式的范式跃迁

从建构主义到认知系统拓扑学：LLM时代的认知范式转移

认知系统拓扑学：一个科学研究纲领的完整建构

认知系统拓扑学：万法归一与三生万物

三元递归分形结构：理论、LLM解构与Agent系统建构

一、判断

本文的核心判断只有三句话：

第一，传统软件架构做到极致，是对高维认知的多次固化。
各个领域专家的判断被翻译为代码规则和 UI 设计，在编码那一刻是完美的，但从此被冻结。

第二，LLM 的出现改变了这件事。
认知不再必须被固化在代码里——它可以被锚定在结构化的认知基元中，由 LLM 在运行时动态实例化，随上下文流动。LLM 生成的，不仅仅可以是被执行的中间计划，也可以是认知架构中可直接运行的结构化认知内容。

第三，这带来了 AI 产品开发方式的根本性改变。
起点从“实现功能”转向“设计认知结构”，扩展方式从“加模块”转向“注册新实例”。这不是一种技术优化，而是系统复杂度的放置方式发生了根本性迁移。

LLM 的划时代意义，正在于此：它使得认知本身的构建与转移，成为可工程化的核心操作，而非固化的副产品。

二、传统架构的卓越形态：相对固化了的认知

Palantir 是功能架构的典范。它的起点明确：数据分散在不同系统里，无法统一访问。Foundry 的解决方案是建立统一数据层，用 Ontology 将异构数据抽象为业务对象。

O9 是另一个典范。它的起点同样明确：供应链计划需要更精准的优化。EKG（企业知识图谱）将需求、供应、库存整合进统一的数字孪生，内置求解器执行预测和排程。

这两个系统都极其优秀。它们把各自领域内最顶尖的专家认知——数据如何关联、供应链如何优化——固化成了可运行的代码。这种固化本身是巨大的工程成就。

但固化就是固化。

传统架构的“高维”，体现在它能精准捕获特定时刻的专家判断；它的“固化”，体现在这种判断被锁定后无法自我调整，任何演化都需规模化代码级介入。

三、固化的隐含成本

为什么固化是个问题？
因为固化的那一刻，系统的演化路径就被锁定了。新需求意味着新模块，新模块意味着新代码，新代码意味着新依赖。复杂度随功能数量线性增长——可预期、渐进，且不可逆。

更本质的问题是：

固化的是判断的结果，隐含了专家的认知基元、判断结构和行动策略。

“合同价优先于目录价”这条规则被写死在代码里。但“价格由一组优先级规则决定，规则的排序和条件可以被调整”这个结构，本可以被单独锚定。前者是判断的结果，后者是判断的结构。传统架构将两者混为一谈，一起固化。

当变化发生时，代码不会感知，也不会自我修正。它只是忠实地执行专家在某个过去时间点做出的判断。功能主义的局限不是因为它不够聪明——它非常聪明——而是因为它把一次性的正确当作了永久性的正确。

四、认知架构：锚定结构，而非结果

认知架构从一个不同的问题出发：

这个业务领域的认知结构是什么？

它区分了两个层次：

TBox 层（认知骨架）：概念（物料、价格、供应商）、关系（替代、层级、因果）、逻辑（优先级规则、触发条件）——这些是稳定的结构.
ABox 层（认知实例）：具体的物料号、当前价格、生效中的折扣规则——这些是动态的事实，可以被随时增删改。

各领域专家（算法、业务、产品、系统）的知识不再被全部固化在代码里。LLM 与专家共同抽象定义的是“认知的基元、判断的结构、行动的策略”——价格由什么类型的规则决定、规则在什么条件下激活——而具体的“判断结果”（某条规则生效）作为 ABox 实例存在，可以在运行时被调整。

这就是“不固化”的含义：骨架是稳定的，但骨架承载的实例是流动的。业务人员通过 Staging 区提交新的规则实例，经过审批后自动生效，不需要开发团队重写代码。

更重要的是，TBox 的构建本身，不再只是稀缺人类知识工程师的孤独劳动。LLM 从业务文档、访谈记录和数据中自动提取候选概念、关系和逻辑，人类专家（业务专家 + 知识工程师）负责审查、修正和确认。构建者变成了“LLM + 人类专家”的协作体，构建速度提升了一个数量级，让认知架构的高门槛被技术本身大幅削平。

五、LLM 的角色：认知结构语言的生成者,策略分析者,行动执行者

在认知架构中，LLM 被定位为认知结构语言的生成者,策略分析者,行动执行者，而非一个需要被“翻译”或“编译”的中间环节。

它的工作不是独立创造新的认知基元（TBox 层的概念-关系-逻辑不是由 LLM 单独定义的，而是与人类专家协作构建），而是：

协助构建认知骨架：通过既有信息、数据、文档，高效高质地与认知工程师协作建立认知基元。
生成确定性认知内容：在既定骨架的结构约束下，直接将 ABox 层的事实组合为当前决策所需的认知形态。这个生成物本身就是一种符合认知结构语言的形式化实体——它的骨架是认知基元，它的内容是事实查询与操作。
执行受控行动：在权限管理下展开如发送邮件等具体行动。

具体来说，认知基元和知识库锚定定义了“信号可以在什么范围内移动”——这是基础设施核心。LLM 接收上下文信号，在 TBox 定义的认知语言规则下，生成结构化的查询、规则实例或行动指令，由确定性引擎安全执行。认知基元定义可能性空间，LLM 在这个空间中进行实时的、受约束的语言生成。

两者的关系类似于：TBox定义了框架，LLM + ABox 实例在具体任务事件中应用和解释规则。规则条文本身不固化具体结论，但结论必须在框架内做出。LLM 生成的内容，既是认知内容的直接体现，也是后续执行的确定性依据。

因此，当 LLM 组合出“最新汇率波动”与“供应商 A 的折扣条款”的新报价查询时，它不是创造新的认知基元，而是在既定结构下完成了一次新的认知内容生成。这个由 LLM 直接书写的、可执行的结构化认知，本身就是认知流动的实体。

这里必须澄清一个关键点：最终执行的，是确定性的查询或规则，不是 LLM 的随机输出。LLM 负责识别意图，生成查询，引擎负责安全执行。由此，遗漏事实、不合规组合、难以复现等风险被大幅度约束——因为输出是结构化且可验证的，执行是确定性且可审计的。

六、这不只是一种技术选择

把认知从代码中“解冻”出来，改变的不仅是架构，更是 AI 产品的开发方式：

维度	传统功能架构	认知架构
设计起点	用户需求/功能列表	领域认知基元（C-R-L）
专家知识形态	固化在代码逻辑中	锚定在 TBox 结构 + ABox 实例 + 分布式数据库中
需求变更响应	大规模改代码、测代码、发版	注册新实例，或由 LLM 在约束下动态生成新内容
LLM 的角色	可选插件（AIP、神经符号接口）	认知结构语言的生成核心与认知流动的引擎
扩展成本	随功能数线性增长	基元完备后边际递减
维护对象	代码正确性	认知拓扑连续性
TBox 构建方式	人工知识工程，周期长	LLM + 人类专家协作，迭代加速