为什么我们不用 AI 推理来审图，而是用 JSON 规则？本文讲清楚规则引擎的设计思路。
一个反直觉的决定
在智能研发工具里，"用 AI 做审图"听起来最合理。但我们最终选择规则匹配，而非大模型推理。原因很现实：
- 审图是确定性任务——企业标准白纸黑字写了该标什么，不需要"创造"。
- AI 的 95% 准确率在出图场景是灾难，剩下的 5% 可能让零件报废。
- 规则可解释、可追溯，出了问题能定位到具体条款——这对航空/军工客户是硬要求。
规则长什么样
企业出图标准以 JSON 配置文件管理，每条规则是一个独立对象：
{
"id": "TR-010",
"category": "热处理",
"condition": "material IN ['30CrMnSiA','40Cr'] AND part_type != '焊接件'",
"required_pattern": "(调质|淬火|正火|退火|热处理)",
"severity": "error",
"suggestion": "钢制零件需标注热处理要求，常见：调质处理 HB220-250"
}热加载意味着什么
关键点在于：修改规则不需要重新编译插件。
企业标准更新 → 改 JSON 配置 → 工具下次启动自动加载 → 即时生效这对交付是质的区别：
- 传统方式：标准变了，开发改代码、重新编译、发版、客户升级——一个来回两周起。
- 规则引擎：标准变了，客户自己改 JSON，分钟级生效。
与 AI 的关系
规则引擎不排斥 AI。我们的定位是：
- 规则层处理确定性、可解释的检查（占 80% 的审图动作）；
- AI 层处理模糊意图理解、自然语言检索、技术要求的语义生成（占 20% 的决策辅助）。
两者分工，而不是让 AI 替规则背锅。
小结
把企业知识沉淀为可热加载的规则，是这个产品"好用、可靠"的底层支点。它不性感，但它是客户敢把审图交给机器的信任基础。
*相关阅读：出图审核工具：从 0 到 1 的技术方案*