一个会撒谎、会失忆、没权限的天才

一篇写给制造业老板、CIO、数字化负责人的长文。用一家虚构的汽车零部件厂「精工」当例子，把一个听起来无比诱人、实则极其危险的念头，一层层拆穿：把公司的全部数据，直接丢给一个大模型，让它"什么都能答、什么都能干"。这条捷径，会让你的智能体在最要命的地方翻车。

一个太美的承诺

精工汽车零部件，是一家给主机厂供货的一级供应商。年产值三十多亿，做的是发动机和变速箱里的精密零件——齿轮、轴承座、阀体这类东西。这类零件有一个共同特点：极其不容出错。 一个尺寸差了几微米、一批料用错了供应商、一个热处理参数记错了，装到几十万辆车上，就是一场召回，赔的是钱，砸的是牌子，严重了要出人命。

精工和所有大制造厂一样，被数据淹着：ERP 里是几百万行的订单、物料、成本；MES 里是每条产线每一秒的加工记录；几千台设备上的传感器每时每刻在吐温度、振动、压力；质检系统里是一批批的三坐标测量数据；还有十几个部门各自的 Excel。数据多得看不过来，可真要问一个跨部门的问题，还得靠人开好几个系统、导表、拼数据，折腾大半天。

去年，一家 AI 公司找上门，带来一个听起来无比美好的方案。销售是这么说的：

"王总，现在大模型这么强，您公司这些数据，何必还让人一张张表去拼？我们把您所有系统的数据，全接进来，喂给一个最强的大模型。以后您手下任何人，不管是厂长、计划员还是采购，想问什么，直接用大白话问 AI 就行了。'上个月三号线合格率为什么掉了''哪个供应商最近老是拖货''这批阀体的成本能不能再压一压'——张嘴就问,AI 张嘴就答。您公司的数据有多少,AI 就有多聪明。这叫让 AI 直接吃您的数据,一步到位。"

这个承诺太美了。美到精工的高管当场就心动了——不用建复杂的系统，不用理那些乱七八糟的数据，把数据一股脑丢给 AI，它自己就消化了，然后有问必答。这不就是每个被数据折磨的老板梦寐以求的东西吗？

他们真的试了。花了不少钱，接了几个核心系统的数据，接进一个当时最强的大模型，做了个问答机器人，让几个部门先用起来。

三个月后，这个项目被悄悄下线了。

翻车现场

下线，不是因为它不好用——恰恰相反，它一开始"好用"得让人惊艳。你问它一个笼统的问题，它答得头头是道、逻辑清晰、措辞专业，像一个从业二十年的老法师。高管们一度非常兴奋。

出事，是在几个具体的、要命的地方。

一次，一个采购员问它："富强金属最近三个月的到货准时率是多少？"——富强是精工一家重要的钢材供应商。AI 非常肯定地回答："富强金属近三个月到货准时率为 91.2%，表现良好。"采购员信了，在一次供应商评审会上引用了这个数。后来财务复核，真实数字是 73%——富强那几个月拖货很严重，91.2% 这个数，是 AI 凭空编出来的，它甚至编得有零有整、煞有介事。差点让一家该被约谈的供应商，拿到了续单。

一次，一个刚入职的实习生，随口问了句"我们给客户报的价里，毛利最高的是哪几个零件？"——AI 把公司最敏感的定价和成本数据，原原本本地列给了这个实习生看。这些数据，本该只有销售总监和财务能碰。AI 不知道"谁能看什么"这回事,谁问它都答。

一次更玄。厂长在周一问它"哪条线这周产能最紧张",它说是二号线;周三，另一个人问了几乎一样的问题，它说是四号线。数据没变，可它两次给了不同的答案。厂长懵了：这东西说的话，到底哪句能信？

最后压垮项目的，是一次差点酿成事故的事。有人想让这个 AI"顺便"也能干点活，就给它开了个能改 MES 数据的口子。结果它在一次自动处理里，把一批还没质检合格的零件，误标成了"合格待发"——因为它"读"生产记录时，把两批不同的料给搞混了。幸好被一个老质检员在发货前发现，拦了下来。要是发出去，装上车，后果不堪设想。

精工的 CIO 后来复盘，说了一句话：

"我们犯的错，是把这个大模型，当成了一个数据库、一个能信的系统。可它根本不是。它是一个绝顶聪明、却会撒谎、会失忆、还没有任何保密意识的天才实习生。我们居然把整个公司的数据柜钥匙交给了他，还让他一个人在里面随便翻、随便说、甚至随便动手——这不出事才怪。"

这句话，是这篇文章的全部起点。

先把这个"天才实习生"看清楚

要理解精工到底错在哪，得先看清大模型到底是个什么东西。因为几乎所有"把数据直接喂给大模型"的翻车，根子都在于人们对这个东西有一个根本性的误会。

大多数人下意识里，把大模型当成了一个"超级搜索引擎"或"超级数据库"——你给它数据，它存进去，你问它，它查出来告诉你，就像查字典。

但大模型完全不是这样工作的。

它的本事，是"根据你给的上文，预测出最像样的下文"。它读了海量的人类文字，学会了语言的规律、知识的模式、表达的套路，然后当你给它一段话，它能接出一段读起来极其通顺、极其专业、极其像那么回事的话。它是一台"把话说得天衣无缝"的机器——它追求的是"听起来对"，不是"事实上对"。

这个区别，是整篇文章的命门，所以我要把它说得再重一点：

大模型是一台"流利引擎"，不是一台"真相引擎"。它的天职是让输出听起来无懈可击，而不是保证输出千真万确。在很多场合，"听起来对"就够了；但在一家不容出错的工厂里，"听起来对、实际上错"，是最危险的一种错——因为它骗过了所有人的第一直觉。

把这个"天才实习生"的画像立住之后，精工撞的那些墙，就一堵一堵地清晰起来了。接下来，我们一堵一堵地看——为什么"把数据直接喂给大模型"，在制造业的真实场景里，会撞上至少八堵墙。

第一堵墙：数据根本装不进那个"窗口"

先说一个最物理、最没得商量的问题：大模型一次能"看"的东西，是有限的。

大模型有一个叫"上下文窗口"的东西，你可以理解成它的"工作台面"——你想让它处理什么，就得把什么放到这个台面上。但这个台面是有大小的。这些年台面越做越大，能放的东西越来越多，但不管怎么大，它都有一个上限，而且这个上限，跟一家制造企业的数据量相比，是沧海一粟。

精工的 ERP，光订单和物料两张主表，就是几百万行。MES 里一条产线一天的加工记录，就是几十万条。几千台设备的传感器数据，一天是以亿计的数据点。这些数据加起来，是以 TB（万亿字节）计的。

而大模型那个"工作台面"，能放的东西，撑死了也就相当于几十万到几百万字。你没法把一家工厂的数据，塞进这个台面。 这不是钱的问题，不是技术优化的问题，是物理上装不下——就像你没法把一个仓库的货，摆到一张办公桌上。

于是"把数据直接喂给大模型"这句话，从第一步就是个幻觉。你根本喂不进去。

那实际操作里是怎么做的呢？是只挑一小部分数据，临时放到台面上。比如你问"富强供应商的准时率"，系统就临时捞一点跟富强、跟到货相关的数据，放上去让模型看。

这就带来一个致命的连锁问题：谁来决定挑哪一小部分？

如果挑的时候漏了关键数据，模型看到的就是残缺的图景，它给的答案自然就是错的——而且它不会告诉你"我没看全",它会拿着残缺的数据,一样自信满满地给你一个完整的答案。

更糟的是，很多真正有价值的问题，答案根本不在"某一小块数据"里，而在数据和数据的关联里——横跨十几张表、几个系统。这种问题，"临时捞一小块"的办法根本捞不出来，因为它捞的是碎片，而答案在碎片之间的关系里（这一点后面第五堵墙会专门讲）。

所以第一堵墙的结论是："把全部数据喂给大模型"物理上做不到；退而求其次"临时喂一小块",又几乎必然喂不全、喂不准。 你以为你在给 AI 喂一头牛,其实你只能给它喂几根牛毛,然后指望它靠几根牛毛,给你描述出整头牛的样子。它当然能描述——但那是它"猜"出来、"编"出来的牛。

这就自然引出了第二堵、也是最危险的一堵墙。

第二堵墙：它不是在"读"数据，是在"编"故事——而且编得天衣无缝

这是所有墙里最危险的一堵，因为它伤人于无形。

回到精工那个"91.2% 准时率"的翻车。很多人的第一反应是："那是 AI 出 bug 了吧？"

不是 bug。那恰恰是大模型在正常工作。

前面说了，大模型的本事是"根据上文，预测最像样的下文"。当你问它"富强的准时率是多少"，如果它没拿到准确数据，或者拿到的数据它没读对，它不会说"我不知道"——因为"我不知道"这句话，作为"下文"，太不像样了。它会做它最擅长的事：生成一个最像样的答案。

"91.2%"就是这么来的。它见过无数份供应商报告，知道"准时率"这个词后面，通常跟着一个 80% 到 95% 之间、带一位小数的数字，后面还常常跟一句"表现良好"。于是它就"编"出了一个完美符合这个模式的答案——有零有整，措辞专业，读起来跟真的一模一样。

这个现象，业内有个词叫"幻觉"（hallucination）。但"幻觉"这个词，某种程度上美化了它——它听起来像偶尔的失误。实际上，这不是失误，这是大模型的本质特性：它是一台生成"像样文本"的机器，当它没有真凭实据时，它照样能生成像样的文本，而且它生成的假货，和它生成的真货，看起来一模一样，你无法从措辞上分辨。

这在闲聊里无所谓。你问它一个历史八卦，它编错了，没人损失什么。

但在精工这样的工厂里，这是灾难。因为工厂里的每一个数字，都连着真金白银和安全：

• 一个错的供应商准时率，让一家该被淘汰的供应商续了单。
• 一个错的零件成本，让报价报亏了，或者报高了丢了订单。
• 一个错的热处理参数，可能让一整批零件的性能出问题。
• 一个错的库存数字，让生产计划全盘排错。

而大模型给这些错误数字的时候，姿态和给正确数字时一模一样——同样的自信，同样的专业，同样的煞有介事。它不会脸红，不会犹豫，不会说"这个我不太确定"。它把编造的和真实的，用完全相同的语气端给你。

这就是为什么"听起来对"在工厂里如此致命。人类判断一个信息可不可信，很大程度上靠"它听起来靠不靠谱"。而大模型恰恰能把假信息，包装得比真信息还靠谱。它骗过的，是你辨别真伪的第一道、也是最重要的一道防线——你的直觉。

有人会说：那我把数据喂得准一点、全一点，它不就不编了吗？

这里有个残酷的真相：只要它是在"生成文本"而不是在"查询事实"，编造的可能就永远消不掉。 你可以降低它编造的概率，但你无法保证它某一次不编。而在一个不容出错的场景里，"大概率不编"是不够的——你需要的是"这个数字一定是从真实记录里查出来的，不是模型生成的"。而一个直接吃数据、直接生成答案的大模型，给不了你这个保证。它给你的每一个数字，你都无法百分百确定，到底是查出来的，还是编出来的。

一个连"这个数是真是假"都无法保证的系统，怎么能用来跑一家工厂？

插一堵墙：你的数据本身，就是一团乱麻

前面八堵墙，多少还假设了一个前提：你喂给大模型的数据，是干净的、准确的。但任何在制造企业干过的人都知道，这个前提本身就不成立——真实的企业数据，是一团乱麻。 这构成了另一堵、也许是最不起眼却最普遍的墙。

精工的数据长什么样？跟所有做了二十年、并购过、系统换过好几茬的制造企业一样：

同一家供应商，在采购系统里叫"富强金属"，在财务系统里叫"富强金属材料有限公司"，在某个老 Excel 里叫"富强"，还有人手一抖录成了"富镪金属"。四个名字，说的是同一家公司，但计算机不知道。

同一个零件，因为经手的人不同、年代不同，有三套不同的编码规则并存。有的记录字段是全的，有的关键字段是空的，因为"当时录入的人嫌麻烦"。日期格式，这个系统是"2026-07-18"，那个系统是"18/07/2026"，还有的干脆是"七月十八"。计量单位，有的用"件"，有的用"套",有的用"个",指的是同一个东西。

这些还只是冰山一角。真实的企业数据里，充满了重复、矛盾、缺失、口径不一、格式混乱、以及大量"只有某个老员工才知道怎么解读"的隐性规则。

现在，你把这样一团乱麻，直接喂给大模型，会发生什么？

垃圾进，垃圾出。 而且是被大模型用漂亮话包装过的垃圾，更难识别。它把"富强金属"和"富强金属材料有限公司"当成两家不同的公司分别统计，于是这家供应商的真实全貌，被劈成了两半，哪一半都不对。它读到一个空的关键字段，可能就"合理地"猜一个值填上。它把两种日期格式搞混，于是时间线全乱。它拿着这团被它进一步搞乱的数据，一样能给你生成一个通顺、自信、却完全错误的答案。

这就是为什么，任何严肃的企业智能化，在让 AI 碰数据之前，必然有一道又脏又累、却绝对省不掉的工序：把这团乱麻梳理干净——把"富强"的四个名字合并成一个、把编码规则统一、把缺失的补齐或标记、把格式和口径拉齐。这道工序，行话叫"数据治理"，它一点都不性感，没人愿意讲，但它是那座桥的地基之下的地基。

一个幻想"把数据直接喂给大模型、它自己就消化了"的方案，恰恰是把这道最脏最累、却最关键的工序，当成不存在——它假设数据是干净的，而现实中数据从来不干净。这个幻想一旦落地，等于是在一片烂泥地上盖楼。

第三堵墙：问两次，两个答案——一个没法当账用的系统

精工那位厂长的困惑，戳中了第三堵墙：周一问"哪条线最紧张"答二号线，周三问答四号线，数据没变，答案变了。

这不是 AI 善变，这是大模型的又一个本质特性：它是"概率性"的。

大模型生成下一个字的时候，不是每次都挑那个唯一"最优"的字，而是在几个候选里，按概率随机挑。这种随机性，是它之所以能写出丰富、不呆板的文字的原因——它是特性，不是缺陷。但这个特性带来一个后果：同样的问题，它两次的回答可能不一样。 有时是措辞不同，有时——在需要判断、需要挑选、需要权衡的问题上——是结论不同。

在写文章、想创意的时候，这种"每次不一样"是优点。但在一家工厂里，这是灾难。因为工厂运转，靠的是可复现、可追溯、可对账。

想想这些场景：

• 财务月底问"我们这个月的准时交付率是多少"，这个数要写进经营报告、要向董事会汇报。如果这个数每问一次都不一样，这份报告还有什么意义？
• 质量部门做审计，要追溯"这批不良品到底是哪个环节出的问题"。如果 AI 每次追溯的结论都不同，这个审计怎么做？出了质量事故要向客户交代，你总不能说"我们的 AI 这次是这么认为的，上次是那么认为的"。
• 生产调度靠 AI 的建议排产，如果同样的产能和订单状况，它一会儿建议这么排、一会儿建议那么排，调度员该信哪一次？

制造业是一个极度依赖确定性的行业。一个尺寸标准就是那个尺寸，一道工序的参数就是那个参数，一笔账就是那笔账。它的整个质量体系、追溯体系、审计体系，都建立在"同样的输入，得到同样的、可以被反复验证的输出"这个地基上。

而一个直接吃数据、直接生成答案的大模型，从根上就动摇了这个地基。它给的每一个答案，都带着一丝随机性。你没法把一个"每次可能不一样"的东西，放进一个"必须次次一样"的体系里。这不是调教能解决的——概率性是它的天性。

所以第三堵墙的结论：你没法用一个答案会飘的系统，去支撑一个要求次次对得上账的行业。

第四堵墙：它根本不知道谁在问、谁能看什么

精工那个实习生看到最敏感定价数据的事，撞的是第四堵墙——一堵在制造业里，可能直接要命的墙。

一个赤裸裸的大模型，没有任何"权限"的概念。 它不知道你的公司里，谁是谁，谁能看什么，谁不能看什么。在它眼里，所有喂给它的数据，都是平等的、公开的、可以随便说的。你问它，它就答，它不会先想一想"这个人有资格知道这件事吗"。

这在制造业里，是一个巨大的雷区，因为制造企业有大量必须严格分隔的信息：

核心工艺机密。 一家精密制造企业最值钱的东西，往往是它的工艺参数——某个零件的热处理曲线、某种材料的配方、某道工序的独门诀窍。这些东西，可能只有极少数核心工程师能接触。一旦泄露，就是核心竞争力的流失。

客户数据的隔离墙。 精工同时给好几家主机厂供货，而这几家主机厂,彼此是激烈的竞争对手。精工和每一家都签了严格的保密协议：A 客户的订单、图纸、价格，绝对不能让 B 客户知道，反之亦然。这是生死攸关的商业信任。

成本与定价。 每个零件的真实成本、给每个客户的报价、毛利空间——这是财务和高层的核心机密，绝不能让一线、更不能让外部知道。

涉密订单。 如果精工还做一些军工或特殊行业的配套，那更是有严格的保密等级，不同密级的信息严格隔离。

现在，你把这些数据，全部喂给一个没有权限概念的大模型，然后让全公司的人都能问它——

会发生什么？一个实习生能问出核心定价，一个 A 客户的对接人（如果他也能接触这个 AI）可能问出 B 客户的信息，一个普通员工可能问出核心工艺参数。这些信息之间那些用保密协议、用公司制度、用多年信任筑起来的墙，被这个 AI 一夜之间全部推平了——因为它压根不知道有墙这回事。

有人会说：那我在 AI 外面加一层权限控制不就行了？

这恰恰说明了问题：你需要在模型之外，额外架一层东西来管权限——因为模型自己管不了。 而且这层权限不能是粗糙的"能用/不能用"，它得极其精细：同一个 AI，面对不同的人，能看到的数据、能回答的问题，必须是不一样的。华东厂的主管问设备，只能看到华东厂的；负责 A 客户的销售问订单，只能看到 A 客户的。这种"根据谁在问、动态地决定能看什么"的精细权限，一个直接吃数据的大模型，天生做不到。它要么什么都不让看（那就没用了），要么什么都让看（那就闯大祸）。中间那个"该看的看、不该看的一点都别想看"的精妙状态，必须靠模型之外的一整套机制来实现。

这一堵墙，往往是制造企业最后会踩的雷，也是最疼的雷——因为它伤的不是效率，是信任和机密，而这两样，一旦破了，就补不回来了。

第五堵墙：它看不懂你的世界——数据之间的"线"，它一根都不认识

前面几堵墙，讲的是"喂进去会出什么问题"。这一堵更深：就算你想尽办法把数据喂进去了，大模型也读不懂它——因为它看到的是一堆碎片，而你公司的真实逻辑，藏在碎片之间的关系里。

这一点，是制造业尤其吃亏的地方，因为制造业的数据，是出了名的"关系密集"。

举个精工的具体例子。它有一款主打产品，是变速箱里的一个阀体，物料编码在 ERP 里叫 `V-20881`。现在它出现在几个系统里：

• ERP 里，`V-20881` 是物料表的一行，挂着成本、库存、供应商。
• MES 里，生产这个阀体的一次任务，是工单 `WO-5567`。
• 质检系统里，某一批阀体的检验记录，是批次 `LOT-3390`。
• CRM 里，卖给某主机厂的那笔订单，是 `SO-9902`。

这四个编号，说的是同一个东西的四个侧面。但它们之间，没有一根线。

现在有人问 AI 一个非常常见、也非常重要的问题："上个月卖给长安的那批阀体（CRM 里的订单），是哪个工单生产的（MES），那个批次的合格率怎么样（质检），用的钢材是哪家供应商的（ERP）？"

这个问题，要串起四个系统、四个编号。而一个直接吃数据的大模型，面对这四个系统的数据，它看到的是四堆互不相干的字符串。它不知道 `V-20881`、`WO-5567`、`LOT-3390`、`SO-9902` 说的是同一个阀体。它没有那根"线"。

于是它会怎么做？它会猜。它会根据这些数据里一些看起来相似的字段（也许是日期接近，也许是数量吻合），"推测"它们之间的关系，然后拼出一个答案。而这个靠猜拼出来的答案，可能对，也可能把两批不同的料张冠李戴——精工那次差点发出去的"不合格标成合格"，根子就在这里：AI 在读生产记录时，把两批料的关系搞混了。

这就是第五堵墙的核心：原始数据里，最宝贵的那层信息——"东西和东西之间的关系"——在系统设计时就没被记下来，或者散落在各处。而大模型没有能力凭空把这些关系正确地还原出来。它只能猜，而猜，在工厂里是不被允许的。

一个真正懂你公司的系统，必须事先就把这些关系明明白白地建好：告诉计算机 `V-20881` 就是那个阀体，它的这个工单、这个批次、这个订单、这个供应商，是这样连着的。这层"关系网"建好了，任何跨系统的追问，才能顺着真实的线走出准确的答案，而不是靠猜。

而这层关系网，恰恰是一个直接吃数据的大模型给不了、也建不起的。它能读懂人类的语言，却读不懂你这家工厂独特的、藏在几十个系统缝隙里的结构。语言它懂，你的世界它不懂。

第六堵墙：它会失忆——每次对话，都从零开始

精工的 CIO 说大模型是个"会失忆的天才"，这个"失忆"，是第六堵墙，也是最反直觉的一堵。

我们用久了 ChatGPT 这类工具，会有个错觉：它好像"记得"我们。其实不然。大模型有一个根本特性：它天生是没有记忆的。每一次对话，对它来说，都是崭新的、从零开始的。 它不记得你是谁，不记得你上次问过什么，不记得昨天做的决定，不记得你的公司长什么样。

那为什么它在一次对话里，好像记得前面说的话？因为系统在背后，每次都把前面的对话内容，重新塞给它一遍。它不是"记住"了，是每次都被"重新告知"了一遍。一旦这个对话结束，或者内容超出了它那个"工作台面"，前面的一切，它就彻底忘光了。

这对企业智能体，是一个致命的问题。

想想看，你希望精工的 AI 是一个什么样的助手？你希望它是一个越用越懂这家工厂、越用越懂你的助手：它记得精工有哪些产线、哪些主打产品、哪些老大难问题；它记得厂长关心的是准时率、财务关心的是成本、质量关心的是不良率；它记得上周你们决定的那个排产策略；它记得这家工厂的脾气和历史。

一个会失忆的大模型，给不了你这个。每一次你去问它，它都是一个刚来的、对精工一无所知的陌生人。你每次都得从头跟它解释"我们是精工、我们做汽车零件、我们有四条线……"——这不叫助手，这叫每天重新入职、且永远学不会的临时工。

有人会说：那我把公司信息，每次都随对话一起喂给它，不就相当于它"记得"了吗？

这话对，但它又绕回了第一堵墙和第七堵墙：公司的信息海量，你没法每次都全喂（装不下）；就算能喂，每次都把公司家底重发一遍，成本和速度都受不了（下一堵墙就讲这个）。而且，"每次重新喂"和"它自己长了记忆、还会随着交互不断更新",是两回事——前者是你抱着它的手教一遍,后者才是一个真正在成长的助手。

一个真正好用的企业智能体，必须有持久的记忆：它得有一个专门的地方，稳稳地存着关于这家工厂、关于每个用户的知识，并且每次交互后，还能把新学到的东西存进去、不断更新。这样它才能越用越懂你，而不是每天失忆。而这个"持久记忆"，一个赤裸裸的大模型自带不了——它必须靠模型之外，专门搭一套东西来实现。

失忆的天才，成不了你信得过的老员工。

第七堵墙：这笔账，算不起

前面提到"每次把数据重新喂给它"，这里就得算一笔很多人没意识到的账——成本和速度的账。

用大模型，是按"量"付费和耗时的。你每喂给它一段文字、它每吐出一段文字，都要花钱、都要花时间。文字越多，越贵、越慢。

现在设想精工那个"直接吃数据"的方案，在真实高频使用下会怎样。一个计划员一天要问几十个问题，全厂几百号人都在用。而为了让 AI 能答，系统每次都要捞一堆相关数据、连同问题一起喂进去——每一次提问，都在搬运大量数据。

这笔账滚起来极其惊人。因为大量的数据，是重复搬运的。今天问阀体成本，把 BOM（物料清单）喂一遍；明天问阀体报价，又把同一份 BOM 喂一遍；后天另一个人问，再喂一遍。同一份不怎么变的数据，被一遍又一遍地塞进模型、一遍又一遍地计费。这就像你每次问同事一个问题，都要先把整本公司手册当着他的面朗读一遍——荒谬，且昂贵。

速度也一样受不了。喂进去的数据越多，模型"读"完再回答的时间就越长。一个简单的问题，因为背后塞了一大堆数据，可能要等上十几秒甚至更久。在需要快速决策的车间里，这种延迟是无法接受的。

这堵墙的道理其实很朴素，也指向了正确的做法：凡是重复的、不怎么变的东西，就不该每次都现搬——应该事先算好、存起来，用的时候直接取。只有那些真正需要临场、动态处理的东西，才现调模型。 一个把什么都现场喂给模型的方案，是在为大量本可以避免的重复劳动，反复付费、反复等待。它在经济上，就是不成立的。

第八堵墙：它只能动嘴，不能动手；真让它动手，会闯大祸

前面七堵墙，讲的都是"问答"——AI 回答问题。但企业真正想要的智能体，不止是能答，还要能干活：能帮你把工单派了、把采购单下了、把异常处置了。

而一个赤裸裸的大模型，本身只会生成文字，它动不了你的任何系统。 它能说"建议你把这批料退回供应商"，但它没法真的去 ERP 里发起退货。它是个只会出主意的军师，手无缚鸡之力。

那怎么让它能干活？很多人的想法是：那我给它开个口子，让它能直接操作 MES、ERP 不就行了？

精工那次"不合格标成合格、差点发出去"的事故，就是这么来的。这是最危险的一步。

想想看，前面八堵墙里的问题——它会编造（幻觉）、它会搞混关系、它的输出带随机性——如果这些问题只停留在"说错话"，顶多是给了个错建议，还有人来判断。但一旦你让这个会编造、会搞混、会飘的东西，能直接动手改你的真实系统，那么它的每一个错误，都不再是"一句错话"，而是一个真实的、可能造成损失的错误操作：

• 它把两批料搞混了，直接改了 MES，一批不合格品被标成合格发了出去。
• 它幻觉出一个错误的库存数字，据此自动下了一张错误的采购单。
• 它误判了一个设备状态，自动停了一条本不该停的产线。

在工厂里，一个错误的自动操作，轻则损失金钱、打乱生产，重则酿成质量事故、安全事故。你绝不能把"直接动手"的权力，交给一个不能保证每次都对的东西。

正确的做法，业界已经有共识：AI 可以分析、可以推理、可以给建议，但每一个真正会改变现实的操作，都必须经过人的确认，或者经过一套严格的规则校验。 AI 说"建议停这条线"，但真正去停，得有一个人点下确认；AI 说"建议下这张采购单"，但单子发出去前，得过审批、过校验。让 AI 出主意、让人（或规则）来把关，是在"AI 的效率"和"生产的安全"之间，那道绝不能省的保险。

而这道保险——"AI 只能提议、动手必须有把关"——一个直接连着你系统、能随便动手的大模型，是没有的。你得在它外面，专门给它套上这个"笼子"。

再看一眼那次"差点发出去"：错误是怎么一步步铸成的

精工那次"不合格标成合格、差点发货"的事故，值得用慢镜头再放一遍，因为它几乎把前面所有的墙，串成了一根引线，看清它，就看清了"直接喂数据"为什么是一条系统性危险的路。

那天，那个被开了"动手"口子的 AI，在做一件例行的活：根据生产和质检记录，更新一批零件的状态。

第一步，它读数据——撞上了第五堵墙（读不懂关系）。 那批阀体的生产记录在 MES，质检记录在质检系统，两者靠批次号关联。但那天，两个批次的记录在时间上挨得很近，数据里又有一些字段格式不一致（第五堵墙叠加了脏数据那堵墙）。AI 没有一根可靠的"线"告诉它哪条生产记录对应哪条质检记录，它只能猜——它猜错了，把 A 批的生产记录，和 B 批的质检结果，配到了一起。

第二步，它下判断——撞上了第二堵墙（会编造）。 B 批是合格的。于是 AI"合理地"得出结论：这批（其实是 A 批）零件合格。它没有丝毫的犹豫，因为它本来就不会犹豫——它生成的这个"合格"判断，和它生成正确判断时，姿态一模一样，自信、干脆。

第三步，它动手了——撞上了第八堵墙（能直接动手）。 因为有人给它开了改 MES 的口子，它没有经过任何人的确认，就直接把这批本该是"待检"或"不合格"的 A 批零件，在系统里标成了"合格待发"。一个错误的判断，瞬间变成了一个真实的、危险的操作。

第四步，差一点，它就酿成了大祸。 这批被误标合格的零件，进入了发货流程。如果不是一个干了十几年、对数字有直觉的老质检员，在最后关头觉得"这批的数怎么有点不对劲"，硬是拦下来复查，这批不合格的阀体，就装上车了。

看清楚这根引线：读不懂关系（猜）→ 编造出一个判断（错）→ 直接动手（把错变成真实操作）→ 差点酿成事故。 每一步，都是前面某一堵墙在起作用；而把这几堵墙串起来、让一个小小的数据混淆最终演变成一场差点发生的召回的，正是那个致命的决定——让一个只会说漂亮话的大模型，直接吃数据、还直接动手。

那个老质检员拦下这批货之后，说了一句朴素但极其到位的话："机器认不清料，人认得清。它那么肯定地说合格，我反倒不放心——它可从来不知道害怕。"

"它从来不知道害怕"——这句话，道破了大模型和一个老工人最根本的区别。老工人知道自己可能错，所以在要命的地方会多看一眼、会犹豫、会去核对。大模型不会——它对自己编的假货，和对真货，抱有完全相同的、百分之百的自信。而在一家工厂里，那一点点"知道自己可能错"的敬畏，恰恰是安全的最后一道防线。 你把这道防线，交给一个"从不知道害怕"的东西，等于把它拆了。

八堵墙背后，是同一个根：一个天生的错配

我们撞了八堵墙。现在退一步，看看这八堵墙背后，那个共同的根。

• 装不下（第一堵）、算不起（第七堵）——是规模上，模型和企业数据量的错配。
• 会编造（第二堵）、会飘（第三堵）——是可靠性上，模型的概率天性和企业要求的确定性的错配。
• 没权限（第四堵）——是安全上，模型的"来者不拒"和企业的"严格分隔"的错配。
• 读不懂关系（第五堵）、会失忆（第六堵）——是结构与记忆上，模型的"通用、无状态"和企业的"独特、要沉淀"的错配。
• 不能安全动手（第八堵）——是行动上，模型的"不可靠"和企业操作的"要命"之间的错配。

八堵墙，八个错配，但它们全都源自同一个最根本的事实，就是文章开头立下的那句话：

大模型是一台"流利引擎"，不是一台"真相引擎"、不是一台"数据库"、不是一套"业务系统"。它天生是为"把话说得漂亮"而生的，不是为"把账算得准、把权限管得严、把关系理得清、把记忆存得住、把动作做得稳"而生的。

而一家制造企业要的，恰恰全是后面这些：准、严、清、稳、可追溯。

一个为"漂亮"而生的东西，和一个要"精准可靠"的场景，中间隔着一条巨大的鸿沟。"把数据直接喂给大模型"的全部错误，就在于幻想这条鸿沟不存在——幻想只要模型够强、数据够多，它自己就能跨过去。

但它跨不过去。因为这不是"能力不够"的问题，是"物种不对"的问题。 你不能靠把一个歌唱家训练得更强，就让他变成一个会计。歌唱家再强，也是歌唱家。大模型再强，它也是那台流利引擎——它的强，是把话说得更漂亮，不是把账算得更准。

为什么这么多人，还是前赴后继地想走这条捷径

讲清了八堵墙，一个问题浮出来：既然这条路问题这么多，为什么还有无数企业、无数方案，前赴后继地想"把数据直接喂给大模型"？

因为这条捷径的诱惑，实在太大了。搞懂这份诱惑从哪来，你才能真正对它免疫。

第一重诱惑：它看起来太省事了。 建那座桥，又慢、又累、又贵——要梳理脏数据、要建结构化模型、要配权限、要搭记忆、要做把关，每一样都是硬骨头，都要几个月甚至更久的功夫。而"把数据丢给大模型"听起来是一键搞定、立竿见影。人性天然偏爱捷径，尤其当销售把捷径描绘得天花乱坠的时候。可惜，真实世界里，凡是绕过了脏活的捷径，脏活最后都会以更贵的形式找回来——精工绕过了建桥的功夫，代价是一次差点召回的事故和一个下线的项目。

第二重诱惑：初期的"惊艳"太具欺骗性。 前面说过，这类系统一上来往往"好用"得惊人——你问笼统的问题，它答得漂亮。这个初期的惊艳，会让人误以为"成了"。但它惊艳的地方，恰恰是大模型的舒适区（说漂亮话、答泛泛之问）；它出事的地方，是那些具体的、要命的、需要精准的地方——而这些地方，往往要用一段时间、在真实业务里，才会暴露。很多项目就死在这个时间差里：拿着初期的惊艳立了项、扩了大,等要命的问题暴露时,已经投进去太多、也已经出了事。

第三重诱惑：把"模型的强"错当成"系统的成"。 每次有更强的大模型出来，就有人重新燃起希望："这次模型这么强，总该能直接吃数据了吧？"这是一个根本性的误解。模型再强，强的是它的语言和推理，它永远改变不了自己是"流利引擎"这个物种——再强的模型，也一样会编造（只是概率低些）、一样没有你公司的权限概念、一样天生失忆、一样读不懂你独特的关系网。这八堵墙，没有一堵是靠"模型更强"能推倒的，因为它们不是能力问题，是物种问题、是架构问题。 指望下一代模型帮你跨过这条鸿沟，就像指望一个更强壮的歌唱家能帮你算清账——方向就错了。

看穿这三重诱惑，你就拿到了免疫力。下次再有人跟你说"把数据直接喂给我们的 AI，什么都能答、什么都能干"，你心里要立刻响起警报：他要么不懂这八堵墙，要么懂却不告诉你。 无论哪种，你都该多问一句：那座桥呢？你们的权限怎么管？答案的数字是查出来的还是生成的？动手前谁把关？——这几个问题一问，真功夫还是花架子，立刻见分晓。

那么，这条鸿沟，到底该怎么跨？

答案不是"抛弃大模型"——大模型的语言能力、理解能力、推理能力，是真金白银的宝贝，用对了地方，价值巨大。答案是：不要让它直接去干它不擅长的事，而是在它和你的数据之间，架一座桥。 这座桥，才是企业智能化真正的功夫所在。下一节，讲这座桥。

正确的做法：在大模型和你的数据之间，架一座桥

前面八堵墙，如果只是用来吓人、用来否定 AI，那这篇文章就白写了。它们真正的价值，是反过来告诉你，一座正确的桥，该由哪几块构成——因为每一堵墙，都对应着桥上必须有的一块。

这座桥的核心思想只有一句：大模型不直接碰你的原始数据，也不直接充当那个"什么都知道、什么都能干"的系统。它只负责它最擅长的两件事——听懂人话、把整理好的事实组织成漂亮的回答。剩下所有的脏活、重活、要命的活，都由桥来干。

这座桥，至少有六块。我们一块一块对着墙来看。

第一块：一个结构化的"活模型"，替代原始数据。（对应第五堵墙——读不懂关系）

不要把几十个系统的原始数据，直接扔给大模型。而是先花功夫，把这家工厂建成一个结构化的模型：明明白白地定义清楚，这家工厂里有哪些东西（阀体、工单、供应商、产线），它们有哪些属性，以及最关键的——它们之间是怎么连的。`V-20881` 这个阀体，它的工单、批次、订单、供应商，那一根根"线"，事先就牢牢地建在这个模型里。

这样一来，任何跨系统的追问，都不再靠大模型去"猜关系"，而是顺着这个模型里真实的、事先建好的线，精准地走出答案。大模型要的信息，从这个可靠的模型里取，而不是从一堆碎片里猜。这一块，就是我们在这个专栏里反复讲的"企业本体"——它是这座桥的地基。

第二块：让每个答案都"扎根"于真实记录，而不是被生成出来。（对应第二堵墙——会编造）

有了这个结构化模型，就能做一件关键的事：当有人问一个涉及具体数字的问题，答案里的那个数字，是从真实记录里查出来的，而不是让大模型生成的。

问"富强的准时率"，桥先从真实数据里，确定性地算出这个数（比如就是 73%），然后才把这个查出来的、板上钉钉的数，交给大模型，让它用通顺的话组织成回答。大模型负责"把话说漂亮"，但那个关键的数，是查出来的真货，不是它编的。这样，就堵住了"编造"这堵最危险的墙——让流利引擎去做流利的事，让查询系统去保证事实的真。

第三块：一套精细的权限，长在桥上。（对应第四堵墙——没权限）

权限不能指望大模型，得长在桥上，而且要极其精细：谁在问、他属于哪个厂、负责哪个客户、什么密级——桥根据这些，动态地决定这次能取哪些数据、能答哪些问题。华东厂主管问设备，桥只给他华东厂的；A 客户的对接人问订单，桥挡住所有 B 客户的信息。大模型能看到、能回答的范围，被桥的权限死死锁住，那个实习生再也问不出核心定价，那些保密协议筑起的墙，一堵都不会塌。

第四块：把重复的东西"存起来"，不要每次现喂。（对应第一、七堵墙——装不下、算不起）

凡是重复的、不怎么变的东西——BOM、标准工艺、供应商档案、常见问题的答案——事先就整理好、算好，存进一个专门的地方。用的时候直接取现成的，而不是每次都把海量数据现搬进模型。只有那些真正需要临场、动态处理的，才现调大模型。

这一块，直接化解了"装不下"和"算不起"两堵墙：不用把整个工厂塞进那个小小的工作台面，因为大部分答案，桥已经提前备好了；成本和速度也降下来了，因为不再有海量的重复搬运。代码是骨架，事先备好的数据是血肉，大模型是临场的神经反射——三者各司其职，而不是让大模型一个人扛所有。

第五块：给智能体一个持久的"记忆"。（对应第六堵墙——会失忆）

在桥上，专门给智能体建一个持久的记忆库，稳稳地存着关于这家工厂、关于每个用户的知识——精工的产线、主打产品、老大难问题，厂长关心什么、财务关心什么。每次交互前，先把相关的记忆调出来"提醒"模型，让它"先了解这个人、这家厂，再开口"；每次交互后，把新学到的东西存回去。

这样，那个会失忆的天才，就被桥装上了长久的记忆。它不再是每天重新入职的临时工，而是一个越用越懂精工、越用越懂你的老员工——它的成长，沉淀在桥的记忆里，不会随对话结束而蒸发。

第六块：动手必须过"把关",绝不让 AI 独自动手。（对应第三、八堵墙——会飘、会闯祸）

在桥上，任何真正会改变现实的操作，都必须经过一道关：要么是人点确认，要么是一套严格的规则校验。AI 说"建议停这条线""建议下这张单"，但真正执行前，桥拦一道——让人拍板，或让规则核验。而且，这些操作是标准化、确定性的（就像我们上一篇讲的"动作"），不受大模型随机性的影响：同一个"处置异常"的动作，执行一百次都一模一样。

这样，"会飘"和"会闯祸"两堵墙也堵上了：判断可以让 AI 帮忙，但真正落地的操作，是确定的、可复现的、且有人或规则把关的。AI 的效率和生产的安全，被这道关同时守住。

第七块：全程留痕，让每一个答案、每一个操作都可追溯。（对应第三堵墙——会飘、以及制造业的审计刚需）

制造业是一个必须"讲得清楚"的行业。出了质量问题，客户会问：这批货当时是怎么判合格的？依据是什么？谁签的字？监管来审，也要一条条追溯。所以桥上必须有一块：把每一次查询、每一个答案的依据、每一个操作的经过，完整地记录下来。

这块和"扎根事实"是一对：因为答案里的关键数字是从真实记录查出来的，所以桥能清清楚楚地留下"这个数，是某月某日从哪张表、哪条记录查出来的"这样的凭据。出了事，能倒查到底，而不是一句"AI 当时是这么说的"就糊弄过去。这恰恰也补上了第三堵墙的短板——单靠大模型的答案会飘、无法追溯，而桥把每个答案都锚定在可查的真实依据上，飘不了，也赖不掉。

一个直接吃数据、直接生成答案的大模型，给不了这种可追溯性——它的答案是"生成"出来的，你事后根本无法确定它当时到底"依据"了什么，因为它可能压根没有依据，是编的。而桥，让每一句话、每一步操作，都有据可查、有账可对。这在制造业，不是锦上添花，是合规和信任的底线。

大模型该干什么：把宝贝用在刀刃上

架完这座桥，你会发现，大模型不是被抛弃了，而是被放到了它真正该在的位置——干它独一无二擅长、别的东西干不了的事：

听懂人话。 厂长用大白话问"这个月哪条线最拖后腿，主要卡在哪"，把这句模糊的、口语的话，翻译成桥能精确执行的查询——这是大模型的看家本领，传统系统做不到。

在整理好的事实上做推理。 桥把准确的事实取出来之后，大模型能在这些已经可靠的事实上，做综合、做分析、做权衡——"综合来看，三号线的瓶颈主要在换型时间过长，建议……"。注意，它推理的原料，是桥保证过的真货，不是它自己编的，所以推理才靠得住。

把结果组织成漂亮的、给人看的话。 把冷冰冰的查询结果，变成一段通顺、专业、好懂的回答——这也是大模型的强项。

看出来了吗？大模型负责的，全是"语言"和"理解"的活；而"准、严、清、稳、可追溯"这些要命的活，全交给了桥。 让歌唱家去唱歌，让会计去算账，各展所长——这才是企业智能化正确的分工。

这也解释了一个很多人想不通的现象：为什么那些真正做企业 AI 做得好的公司（无论是 Palantir 这样的巨头，还是任何一个认真做智能体的团队），花在大模型本身上的功夫，可能只有一两成；剩下的八九成功夫，全花在建那座桥上——建那个结构化的模型、那套权限、那个记忆库、那道把关。因为他们早就明白了这篇文章的全部道理：大模型是那颗聪明的大脑，但一个能在工厂里干活的智能体，光有大脑远远不够，它还需要一副能承重、能保密、能记事、能安全动手的身体。而那副身体，就是桥。

结语：天才该请，但别把钥匙交给他

回到精工，也回到那个"天才实习生"的比喻，把整篇文章收成一句话。

大模型这个天才，你当然该请进门——他的聪明、他对语言的驾驭、他的推理能力，是真本事，用对了地方，能让你的工厂脱胎换骨。

但你绝不能做精工一开始做的那件事：把整个公司的数据柜钥匙塞给他，让他一个人在里面随便翻、随便说、甚至随便动手。因为这个天才，会撒谎（还撒得天衣无缝）、会失忆（每天重新入职）、没有半点保密意识（谁问都答）、分不清你那些复杂东西之间的关系（全靠猜）、给的话还每次不一样（没法当账用）——你把工厂交给这样一个人单独打理，不出事才怪。

正确的做法是：给这个天才，配一套完整的工作环境——一张画好了所有关系的地图（结构化模型），一本严格的保密守则（权限），一个帮他记住一切的档案室（记忆），一套"重要操作必须有人签字"的规矩（把关），以及一个"所有数字都得从真实台账里查、不许你自己编"的铁律（扎根事实）。

在这套环境里，这个天才的聪明才华，才能安全地、可靠地、持续地为你所用。他负责动脑、动嘴；那套环境，替他把住准、严、清、稳、可追溯的关。

这，就是"企业智能体不能直接吃数据"这句话，最朴素、也最要命的道理： 不是 AI 不行，是你不能让一个只会说漂亮话的天才，直接去干一件不容出错的活。你得在他和你的工厂之间，架一座桥。

桥架好了，天才才配得上你的信任。桥没架，你交出去的不是数据，是风险。

本文是「企业本体论」专栏的方法篇。它从反面回答了一个根本问题：企业智能化，功夫到底该下在哪。答案是——不在那个人人都盯着的大模型上，而在大模型与企业之间，那座沉默、笨重、却真正决定成败的桥上。而那座桥的地基，就是本专栏反复在讲的"企业本体"。