认知���功能��:AI系统设计的两�起点

LLM 之所以划时代，�仅仅因为它看起�会�天,查询,写文章,�代�,或者是更��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�建�转移，�为�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-�豪斯多夫空间中的拓扑特��结�

关系·过程·约�·涌�·自指：认知系统拓扑学的哲学世界观� Agent系统认知���想

�知识图谱到认知拓扑：知识工程方�的范�跃�

�建�主义到认知系统拓扑学：LLM时代的认知范�转移

认知系统拓扑学：一个科学研究纲领的完整建�

认知系统拓扑学：万法归一�三生万物

三元递归分形结�：�论�LLM解��Agent系统建�

一�判断

本文的核心判断�有三��：

第一，传统软件���到�致，是对高维认知的多次固化。 �个领域专家的判断被翻译为代�规则和 UI 设计，在编�那一刻是完�的，但�此被冻结。

第二，LLM 的出�改�了这件事。 认知��必须被固化在代�里——它�以被锚定在结�化的认知基元中，由 LLM 在�行时动��例化，�上下文�动。LLM 生�的，�仅仅�以是被执行的中间计划，也�以是认知��中�直��行的结�化认知内容。

第三，这带�了 AI 产�开�方�的根本性改�。 起点�“��功能�转�“设计认知结��，扩展方��“加模��转�“注册新�例�。这�是一�技术优化，而是系统��度的放置方��生了根本性�移。

LLM 的划时代�义，正在�此：它使得认知本身的�建�转移，�为�工程化的核心�作，而�固化的副产�。

二�传统��的�越形�：相对固化了的认知

Palantir 是功能��的典范。它的起点�确：数�分散在��系统里，无法统一访问。Foundry 的解决方案是建立统一数�层，用 Ontology 将异�数�抽象为业务对象。

O9 是�一个典范。它的起点�样�确：供应链计划需�更精准的优化。EKG（�业知识图谱）将需求�供应�库存整�进统一的数字孪生，内置求解器执行预测和�程。

这两个系统都�其优秀。它们把�自领域内最顶尖的专家认知——数�如何关��供应链如何优化——固化�了��行的代�。这�固化本身是巨大的工程�就。

但固化就是固化。

传统��的“高维�，体�在它能精准��特定时刻的专家判断；它的“固化�，体�在这�判断被�定�无法自我调整，任何演化都需规模化代�级介入。

三�固化的���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�定了。新需求�味�新模�，新模��味�新代�，新代��味�新�赖。��度�功能数�线性�长——�预期��进，且��逆。

更本质的问题是：

固化的是判断的结�，��了专家的认知基元�判断结�和行动策略。

“��价优先�目录价�这�规则被写死在代�里。但“价格由一组优先级规则决定，规则的��和�件�以被调整�这个结�，本�以被�独锚定。�者是判断的结�，�者是判断的结�。传统��将两者混为一谈，一起固化。

当�化�生时，代��会感知，也�会自我修正。它�是忠�地执行专家在�个过�时间点�出的判断。功能主义的局��是因为它�够��——它�常��——而是因为它把一次性的正确当作了永久性的正确。

四�认知��：锚定结�，而�结�

认知���一个��的问题出�：

这个业务领域的认知结�是什么？

它区分了两个层次：

TBox 层（认知骨�）：概念（物料�价格�供应商）�关系（替代�层级�因�）�逻辑（优先级规则�触��件）——这些是稳定的结�.

ABox 层（认知�例）：具体的物料��当�价格�生效中的折扣规则——这些是动�的事�，�以被�时�删改。

�领域专家（算法�业务�产��系统）的知识��被全部固化在代�里。LLM �专家共�抽象定义的是“认知的基元�判断的结��行动的策略�——价格由什么类�的规则决定�规则在什么�件下激活——而具体的“判断结��（��规则生效）作为 ABox �例存在，�以在�行时被调整。

这就是“�固化�的�义：骨�是稳定的，但骨�承载的�例是�动的。业务人员通过 Staging 区�交新的规则�例，�过审批�自动生效，�需�开�团队�写代�。

更��的是，TBox 的�建本身，���是稀缺人类知识工程师的孤独劳动。LLM �业务文档�访谈记录和数�中自动��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。�建者��了“LLM + 人类专家�的�作体，�建速度��了一个数�级，让认知��的高门槛被技术本身大幅削平。

五�LLM 的角色：认知结�语言的生�者,策略分�者,行动执行者

在认知��中，LLM 被定�为认知结�语言的生�者,策略分�者,行动执行者，而�一个需�被“翻译�或“编译�的中间�节。

它的工作�是独立创造新的认知基元（TBox 层的概念-关系-逻辑�是由 LLM �独定义的，而是�人类专家�作�建），而是：

�助�建认知骨�：通过既有信��数��文档，高效高质地�认知工程师�作建立认知基元。

生�确定性认知内容：在既定骨�的结�约�下，直�将 ABox 层的事�组�为当�决策所需的认知形�。这个生�物本身就是一�符�认知结�语言的形�化�体——它的骨�是认知基元，它的内容是事�查询��作。

执行��行动：在��管�下展开如��邮件等具体行动。

具体�说，认知基元和知识库锚定定义了“信��以在什么范围内移动�——这是基础设施核心。LLM �收上下文信�，在 TBox 定义的认知语言规则下，生�结�化的查询�规则�例或行动指令，由确定性引�安全执行。认知基元定义�能性空间，LLM 在这个空间中进行�时的��约�的语言生�。

两者的关系类似�：TBox定义了框�，LLM + ABox �例在具体任务事件中应用和解释规则。规则�文本身�固化具体结论，但结论必须在框�内�出。LLM 生�的内容，既是认知内容的直�体�，也是�续执行的确定性��。

因此，当 LLM 组�出“最新汇�波动��“供应商 A 的折扣�款�的新报价查询时，它�是创造新的认知基元，而是在既定结�下完�了一次新的认知内容生�。这个由 LLM 直�书写的��执行的结�化认知，本身就是认知�动的�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，�是 LLM 的�机输出。LLM 负责识别�图，生�查询，引�负责安全执行。由此，��事����规组��难以��等�险被大幅度约�——因为输出是结�化且�验�的，执行是确定性且�审计的。

六�这��是一�技术选择

把认知�代�中“解冻�出�，改�的�仅是��，更是 AI 产�的开�方�：

维度

传统功能��

认知��

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�

固化在代�逻辑中

锚定在 TBox 结� + ABox �例 + 分布�数�库中

需求�更�应

大规模改代��测代���版

注册新�例，或由 LLM 在约�下动�生�新内容

LLM 的角色

�选�件（AIP���符���）

认知结�语言的生�核心�认知�动的引�

扩展�本

�功能数线性�长

基元完备�边际递�

维护对象

代�正确性

认知拓扑�续性

TBox �建方�

人工知识工程，周期长

LLM + 人类专家�作，迭代加速

最核心的�化是：产�����需��队等开��期�修改业务规则。规则是 ABox 数�或 LLM �生�的结�化认知内容，�是代�。修改规则是数��作或认知生�请求，�是代��更。这�根本上缩短了“业务���化�到“系统�应�化�的周期。

七�新的人�需求

传统��需�更多软件工程师——写代��修 bug��功能。认知��需�知识工程师——� LLM �作定义认知基元�管� ABox 演化�维护拓扑�续性。

2026 年的数�：AI ��师新����比�长 76.74%，远超算法工程师 12.84% 的�速。具体岗�形�已�出�——

AI ��师设计 Agent 的认知��；

知识工程��师负责知识图谱的演化�质�维护；在组织文档�决策�程� AI 之间建立桥�。

这些岗�的共性是

�求将模糊的业务��，精确抽象为�计算的认知结�。他们�是在“满足需求�，而是在“定义认知结��——并且他们最核心的生产力工具，就是 LLM 本身。

传统工程师的失败代价是 Bug，�定���修�。知识工程师的失败代价是认知拓扑断裂，难以定��影�范围�确定。但 LLM �时也在��这��险：它�助校验新�例�已有骨�的一致性，��预警�能的断裂点。

八�新起点

认知��的讨论�在��代功能��，而在��供一个新的起点——

让功能作为认知结�的投影自然呈�，而�是作为设计的起点。

传统��固化高维认知。认知��锚定认知结�，LLM 作为认知结�语言的生�者，让认知真正�动起�。

这就是 AI 产�开�方�正在�生的改�——�是工具的更替，而是起点的�移。这一改�的深层根�，我们已共�抵达：LLM 之所以划时代，�仅仅因为它看起�会�天,查询,写文章,或者是更��的多轮次的地执行指令，而是因为它首次让认知的�建�转移，�为�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-�豪斯多夫空间中的拓扑特��结�

关系·过程·约�·涌�·自指：认知系统拓扑学的哲学世界观� Agent系统认知���想

�知识图谱到认知拓扑：知识工程方�的范�跃�

�建�主义到认知系统拓扑学：LLM时代的认知范�转移

认知系统拓扑学：一个科学研究纲领的完整建�

认知系统拓扑学：万法归一�三生万物

三元递归分形结�：�论�LLM解��Agent系统建�