配套 3 · 检验
自测题与思考题:专治"好像懂了"
每章 4–7 题,按理解 → 应用 → 电力场景三个层次设计。先闭卷作答,再点开答案。答案里不仅给结论,还解释"错在哪、为什么这么想"——看答案解析也是学习的一部分。
第 0 章 导引与学习审计
- ◎ 判断题:大模型是"搜索了一下互联网然后把答案抄给你"。对还是错?为什么?
查看答案
错。大模型不会"搜索",也不会"抄"。它是根据训练时学到的统计规律,逐词预测最可能的下一个词生成回答。它没有联网(除非接了工具),所有内容都来自内部参数。
- ◎ 选择题:学 AI 之前,你最该先补的基础是?
A. 高等数学全部内容 B. 线性代数 + 概率 + 导数的基础概念(够用即可) C. 复变函数 D. 数论
查看答案
B。教材附录 A 的设计原则就是"够用即可":点积、矩阵乘法、概率、导数这四样补起来就够读完全书。高数里的积分、级数等暂时用不上。
- ★ 思考题:你部门现在的工作里,有哪些是"重复的、规则清晰的、可被模板化的"?这些就是 AI 最可能提效的对象——列 3 个。
参考答案(示例)
示例:① 每日作业计划核对(把计划表与风险点清单比对);② 周报/月报的初稿整理(从各系统导出数据拼报告);③ 违章记录的初筛分类。判断标准:人有明确规则 + 数据有结构 + 重复发生。
- ◉ 判断题:学大模型必须会写代码。对还是错?
查看答案
错。理解原理、会用网页版对话、会做提示工程,完全不需要代码。代码是第三阶段(想搭工程、想自动化)才需要的工具——那时候再学也不迟,且有大模型当老师。
第 1 章 机器学习坐标
- ◎ 用你自己的话解释:监督学习、无监督学习、强化学习各是什么?各举一个电力场景的例子。
参考答案
监督学习=带标准答案的练习题(例:用历史违章记录+是否被通报,学"哪些特征→高风险");无监督学习=没有答案自己找结构(例:把光伏电站按发电特性自动聚成几类);强化学习=靠奖励试错学策略(例:训练自动电压控制策略,调好给奖励)。
- ◎ 选择题:神经网络的"权重(weight)"最合适的类比是?
A. 电路里的固定电阻 B. 可调节的旋钮 C. 电容的容量 D. 变压器的变比(固定值)
查看答案
B。权重是训练过程中不断被调整的旋钮——训练就是"拧旋钮"的过程。A/D 都是固定的,忽略了"学习"这个关键特征。
- ◉ 思考题:为什么神经网络中间层必须加"非线性激活函数"(如 ReLU)?提示:回忆"两层线性变换可以合并成一层"。
查看答案
如果没有非线性,多层线性变换乘在一起还是线性变换——再深的网络也只相当于一层,无法表达复杂规律。激活函数像"开关"引入弯折,让网络能拟合任意形状的函数。
- ★ 场景题:你拿到 5000 条违章记录(时间、地点、作业类型、责任人、是否违章)。这属于什么学习类型?要回答"什么因素最可能导致违章",该用什么输入、什么输出?
参考答案
监督学习(有是否违章这个"标准答案"标签)。输入=特征(时间、地点、作业类型等),输出=是否违章(0/1)。这就是一个分类问题,第 7 章的随机森林就能做。
第 2 章 训练的本质
- ◎ 填空题:损失函数衡量的是__;训练的目标就是让它__。
查看答案
衡量"模型预测与正确答案差多远"(错得有多离谱);训练目标=让损失变小。
- ◎ 梯度下降的"蒙眼下山"比喻里,下面哪项对应"学习率"?
A. 山的形状 B. 每步迈多大 C. 山底的位置 D. 你站在哪里
查看答案
B。学习率=每步的步长。太大容易跨过谷底来回震荡,太小走得极慢。
- ◉ 反向传播解决的核心问题是什么?为什么"算梯度"必须从后往前算?
查看答案
解决"总错误如何分摊到每一层每一个旋钮"的问题。因为链式法则要求从输出端开始,把误差逐层往回"传递"(责任分摊),前面的层才能知道自己该往哪转。从前往后算会重复计算大量中间量,且信息不够。
- ◉ 过拟合的比喻是"死记硬背型选手"。请说出:它最典型的表现是什么?两个常用对策是什么?
查看答案
表现:训练集上几乎满分,测试集/新数据上表现明显变差(背答案背废了)。对策:① 增加训练数据;② 正则化/简化模型(限制模型复杂度,不让它背)。
- ★ 场景题:你要训练一个"光伏功率预测"模型。发现训练集误差很小但验证集误差很大。这是欠拟合还是过拟合?你第一个该试什么?
参考答案
过拟合(训练好、验证差)。第一个该试的通常是:加更多数据或正则化、简化模型;同时检查是否特征泄露(把"明天的辐照度"当特征就是作弊)。
第 3 章 序列与注意力
- ◎ 为什么文本、时序数据被称为"序列数据"?它对处理方式提出了什么要求?
查看答案
因为顺序本身就是信息("猫追狗"和"狗追猫"意思不同)。处理方式必须能感知先后顺序——这催生了"位置编码"等设计。
- ◎ 用"接力棒"比喻解释:RNN 为什么难以记住很长的句子里的早期信息?
查看答案
RNN 是信息接力传话:每到一个词,把上一个"记忆盒"的内容翻新一次再传给下一个。传得越远,早期信息被中间过程"稀释/覆盖"得越厉害——像接力棒经过 20 个人,最初那人写的信息早被改没了。
- ◉ 注意力机制的核心思想,用一句话概括是什么?
查看答案
处理每个词时,让模型自己决定"该看句子里的哪些其他词、各看多少"——用相关性权重来聚合信息,而不是死板的顺序传递。
- ★ 场景题:你读一份"违章通报":"李某在 10kV 线路上作业,未系安全带,被考核。"要判断责任类型,你读"未系安全带"时,会重点回看句子里哪些词?这恰好就是注意力在做的分配权重——试着说出 2–3 个词及理由。
参考答案
示例:会回看"作业"(判断是作业行为)、"考核"(后果)、"李某"(责任主体)。注意力机制就是把这种"人读句子时的关注点"自动化、数值化。
第 4 章 Transformer 架构
- ◎ 选择题:为什么不能直接把词本身喂给模型,而要先做"词嵌入"(embedding)?
A. 词太长放不下 B. 模型只认数字,且需要让"意思相近的词坐标靠近" C. 为了保密 D. 嵌入可以压缩存储
查看答案
B。模型只会做数值运算;嵌入把词变成向量,且训练后能自动形成"相似词靠近"的空间结构——这是模型能理解语义关系的基础。
- ◎ 位置编码解决什么问题?为什么光有词嵌入不够?
查看答案
自注意力本身"不分先后"(打乱顺序结果一样),而语言里顺序很重要。位置编码给每个位置贴"座位号",让模型知道词的先后。
- ◉ 用"查字典"比喻解释 Q、K、V:如果我站在"值"的角度,一次注意力计算中,我到底是怎么被"找出并加权"的?
参考答案
Q 是"我的问题"(想找什么),K 是"我的标签"(供别人匹配),V 是"我的内容"(被取用的信息)。过程:每个词的 Q 与所有词的 K 算相似度(点积)→ softmax 变成权重 → 按权重把各词的 V 加权求和,得到我这个位置"结合全局后"的新表示。
- ◉ 多头注意力(Multi-Head)的"多"带来了什么好处?为什么说它是"多个专家开会"?
查看答案
单头只能学一种"关注模式"(比如只看语法关系);多头让不同头各学一种(有的盯语法、有的盯语义、有的盯指代),最后拼起来,覆盖更丰富的关联类型。
- ◉ 残差连接(Residual Connection)在架构里扮演什么角色?它的名字"抄近路"指什么?
查看答案
把层的输入直接加到输出上(x + f(x))。好处:① 梯度有一条"高速公路"直接流回浅层,缓解深层难训练;② 模型退化时层可以"退化成恒等"(什么都不做)。
- ◉ 为什么 GPT 这类"解码器"训练时要加因果掩码(mask)?它防止模型看到什么?
查看答案
防止模型"偷看答案":预测第 i 个词时,禁止它看第 i 个及之后的词。否则训练时模型直接抄后面的正确答案,学不会真正的预测能力。
- ★ 场景题:用"预测下一个词"的思路,解释为什么大模型回答你问题时会"越说越顺"(逐词生成)?
参考答案
模型每生成一个词,就把"已生成的部分"作为上下文,继续预测下一个词——像滚雪球。开头没定好,后面会越偏越远;这也是为什么提示词里把问题写清楚很重要。
第 5 章 大模型优劣
- ◎ 说出大模型相对传统 RNN 的至少 3 个核心优势。
查看答案
① 并行计算(整句一起算,不用逐词排队);② 长程依赖(句子再长,任何词之间都能直接建立关联);③ 规模法则(参数/数据上去,能力持续提升,甚至涌现新能力)。
- ◎ 什么是"幻觉"?幻觉为什么无法根除(只能抑制)?
查看答案
模型一本正经编造不存在的事实。根因是:它的本质是"预测最可能的词",不是"查证事实"——只要编出来的话在统计上"像真的",它就可能说。所以只能通过 RAG、限定范围、给来源等方式抑制。
- ◉ 什么是"知识截止"?如果问你"昨天发生的停电事故",模型为什么可能答错?
查看答案
模型训练数据有截止时间,之后发生的事它"不知道"。且训练数据本身有筛选与滞后,所以"最近的事"要么不知道、要么靠猜(编)。需要 RAG/联网检索补充。
- ◉ "规模法则"和"涌现能力"是什么关系?能不能说"模型越大一定越好"?
查看答案
规模法则:能力随"数据×参数×算力"增长有可预测规律。涌现:规模跨过某个阈值后突然出现小模型没有的能力。但"越大越好"不成立:成本超线性增长、有收益递减区,且某些任务小模型+正确工具更划算(第 8 章决策矩阵会讲)。
- ★ 场景题:你想让大模型帮你写"光伏电站月度运行分析报告"。指出至少 2 个它可能出问题的环节,以及你该怎么防。
参考答案
① 数据幻觉:它可能编造发电量数字 → 对策:所有数字必须由你的代码/报表算出,只让模型做"表达";② 知识截止/法规:可能引用过时标准 → 对策:把现行标准文本喂给它(RAG);③ 泄漏风险:把真实客户/合同贴给它 → 对策:先脱敏。
第 6 章 替代技术路线
- ◎ 自注意力的计算量随序列长度怎么增长?为什么这是个"痛"?
查看答案
O(n²):序列长度翻倍,计算量变 4 倍。长文档/长上下文时成本爆炸,这是人们找替代路线的主要动机。
- ◎ Mamba / 状态空间模型(SSM)的核心思路是什么?它想用什么样的复杂度替代 O(n²)?
查看答案
用"压缩的记忆状态"代替"和所有历史词直接比对":信息通过一个不断更新的状态向量流动,计算量随长度线性增长(O(n))。代价是"选择性"不如注意力灵活。
- ◉ 混合专家(MoE)不改变"注意力算法",那它省的是什么?怎么省的?
查看答案
省的是前馈层(FFN)的计算量:把一个大 FFN 拆成多个"专家",每个 token 只路由给其中 2 个左右专家算,其他专家不工作。总参数量巨大但每次推理只激活一小部分,兼顾容量与速度。
- ◉ 思考题:为什么这些替代路线目前都还没有完全取代 Transformer?
参考答案
因为注意力虽然贵,但"全局任意交互"带来的能力太强,且整个生态(硬件优化、训练框架、预训练经验)都围绕它成熟。替代路线往往在效率上赢、在能力/成熟度上输,目前多是"混合共存"而非"完全取代"。
第 7 章 其他模型家族
- ◎ 填空题:__回归用于"预测一个数值"(如发电量);__回归用于"判断是/否"(如是否违章),它输出的是__。
查看答案
线性(回归)用于预测数值;逻辑回归用于判断是/否,输出的是概率(0–1 之间,如"违章概率 87%")。
- ◎ 决策树为什么被称为"可以讲给人听的模型"?它和"倒闸操作判断流程"有什么相似?
查看答案
它是一连串"如果…就…"的判断分叉,规则可以直接读出来、画成流程图——和倒闸操作票、风险判断流程一样可解释、可审核。
- ◉ 随机森林和单棵决策树比,强在哪?它的"随机"体现在哪?
查看答案
强在稳:单棵树容易过拟合(对数据细节敏感),森林让很多棵树投票/平均,方差被压下来。随机=每棵树用的样本子集和特征子集都不同,保证树与树之间有差异(多样性才有投票价值)。
- ◉ K-means 属于哪种学习类型?"K"是什么?"mean"(质心)指什么?
查看答案
无监督学习。K=你想分成的堆数(提前给定);mean=每堆的中心点(该堆所有点的平均位置)。算法反复迭代:分堆→更新质心→再分堆,直到稳定。
- ★ 场景题:以下三个任务,你分别会选哪个模型家族?① 预测明天光伏出力(数值);② 判断一条作业是否高风险(是/否);③ 把 200 个电站按运行特征自动分组。
参考答案
① 回归类(线性回归/时序模型/随机森林回归);② 分类类(逻辑回归/随机森林/决策树);③ 无监督聚类(K-means)。选型口诀:数值→回归,是/否→分类,没标签→聚类,要解释→树模型。
第 8 章 网页对话 vs 工程
- ◎ 说出判断"网页对话就够"还是"要搭工程"的五个问题(只要记住名字)。
查看答案
① 频率与规模:一次还是天天/海量?② 时效性:要不要最新/内部数据?③ 正确性:错了代价多大?④ 自动化:要不要系统自己跑?⑤ 合规与安全:数据能不能出内网?——任何一项指向"需要系统化处理",就往工程走。
- ◎ 用"开卷考试"解释 RAG:它解决了大模型的哪个核心短板?
查看答案
解决"知识截止 + 幻觉 + 不知道内部资料":RAG 先检索相关文档(开卷),把内容塞进提示词再让模型回答(照着书答),答案可溯源、更准。
- ◉ Agent(智能体)和"一问一答的对话"本质区别是什么?
查看答案
对话是"问→答"就结束;Agent 是能自己规划步骤、调用工具、观察结果、循环执行直到完成任务——像给你跑腿的助理,而不是只回答问题的客服。
- ◉ 什么是"护栏"?为什么 AI 系统比传统软件更需要它?举两个例子。
查看答案
护栏=限制 AI 行为的规则与机制(权限、黑名单、人工确认、禁止动作)。因为模型输出不可完全预测,且可能主动"想办法",所以必须有外部约束。例:① 只给只读数据库权限,不许它删改;② 涉及考核/通报的内容必须人工确认后才发出。
- ★ 场景题:部门想让你做一个"违章记录自动问答"——员工在对话框问"最近一个月哪种作业违章最多?"。用五问判断:该用网页版对话,还是搭工程?搭的话最小方案是什么?
参考答案
五问走查:① 高频(天天有人问)→ 要工程;② 需要内部数据 → 网页版拿不到 → 要 RAG/接数据库;③ 答错可能误导考核 → 需要可溯源 → RAG 给来源;④ 可自动化 → 是;⑤ 数据敏感 → 必须内网。最小方案:内部 RAG 问答系统(向量库存违章库 + 大模型接口 + 只读权限 + 回答附来源)。
- ◉ 判断题:Prompt Engineering(提示工程)只能靠"玄学试错",没有系统方法。对还是错?
查看答案
错。有系统方法:角色设定、结构化指令(步骤)、少样本示例、思维链、格式约束、迭代评估(第 8 章 8.2 有完整清单)。试错是其中一环,但不是全部。
第 8.5 章 知识库构建与召回
- ◎ 大模型的"知识"存在哪里?为什么说它没有一个能"查"的数据库?
查看答案
知识存在模型的参数(权重)里,是训练时"把海量文本看懂后"沉淀下来的统计规律。它没有一个像数据库一样的文件可以"检索"——回答靠逐词预测(生成),不靠查表。这正是它知识有截止、会幻觉的根源。
- ◎ RAG 的两大阶段分别做了什么?用"开卷考试"类比再讲一遍。
查看答案
① 建库(平时):切分文本→用嵌入模型转成向量→向量库存好,就像考前把资料分好类;② 召回+生成(作答时):把问题也转成向量→算相似度找出最相关几段→塞进提示词让模型"照着书答"。这样答案可溯源、减少幻觉。
- ◉ 为什么"直接把一堆 PDF 丢进知识库"通常召回效果不好?agent 应该先做什么?
查看答案
直接灌文件会:整页切分语义被切烂、噪音多、检索到无效片段、没有元数据无法按站点/制度类型过滤。agent 应先把文件清洗、去重、分类、把关键条款整理成"问句友好"的条目、贴好元数据再入库——入库前的整理,比入库后的任何技巧都更影响召回质量。
- ★ 场景题:你想把《电力安全工作规程》搭进知识库,让大模型给一线员工做安全问答。用"最大化效用三心法"说说你会怎么搭,并发指令给 agent 让它干哪些活?
参考答案
三心法:① 清洗结构化(去格式噪声、统一术语、按条款切分);② 问句友好化(把每一条改成"问→答案"形式,例如"雷雨天能否带电作业?→不能");③ 元数据与分片(标注适用场所/工种/危险性,按主题分片并留重叠)。发给 agent 的指令:`读取 /安全规程 目录,先清洗去重,再按条款切分并补元数据,把每条改写成'问题+答案'结构化条目,输出清单供我核对后入库`。先在小范围跑通并人工核验一批,再正式启用。
第 8.6 章 从台账到数据库
- ◎ Excel / WPS 台账的两个"天生短板"是什么?为什么要上数据库?
查看答案
① 数据量大时又卡、跨表合计/交叉分析要靠手拉公式,慢且易错;② "口径"(怎么算、含哪些范围、哪些要豁免)只存在于人脑和注释里,机器和智能体无从得知。数据库能"按需快速跨表查数、把口径结构化、支持权限控制",还能让智能体高效取数。
- ◎ 用"作业—违章"举一个例子,讲清主键和外键分别解决什么问题。
查看答案
作业表的"作业号"是主键,保证每条作业唯一(不会有两个"同号"作业分不清);违章表里存一个"作业号"做外键,指到作业表,于是能一句话把"这条违章发生在哪个公司、什么风险等级"串起来。主键管"唯一",外键管"连接"。
- ◉ 星型模型里的"事实表"和"维度表"怎么区分?用你的台账各举两例。
查看答案
事实表记录"发生了什么、多少量",量大一直涨(作业、违章、考勤、光伏日发电);维度表记录"在哪儿、谁、什么时候",少而稳定(公司、项目、人员、日期、站点)。查询=用事实表的量,按维度给它"盖章汇总"。
- ◉ 举一个"同一句话、两种算法"的口径例子,说明为什么口径要单独成库。
查看答案
"违章率"就有两种:全口径=违章数÷作业数;外部查处率=仅外部发现÷作业数。周报里 11.1% 与 5.8% 并存。若口径只在人脑里,智能体回答"违章率多少"就会猜错。把"定义+公式+统计范围+豁免"写成口径字典单独成库,让人和机器都照同一套算。
- ★ 场景题:智能体连数据库回答"哪个公司本月外部违章率最高"。它要做对哪几步、你怎么防止它胡说或越权?
参考答案
① 读"表结构说明+口径字典"(知道用外部口径、知道怎么连作业);② 生成一条只读 SELECT…JOIN…GROUP BY 的 SQL;③ 只读执行取出结果。防止胡说:喂口径字典、让它注明"用了外部口径"、抽样自检;防止越权:给最小权限只读账号、禁删改、敏感表不授权,数字来源由人复核后再外发。
- ◎ 你的台账来自多个异构系统(计划 3 个、违章 4 个),各系统字段差别很大。为什么"全写在 WPS 复杂公式里"越到后面越难维护?"映射表"思路怎么解决?
查看答案
复杂公式的问题:可读性差、改一格容易全表错、加一个新系统要照葫芦画瓢还常抄岔、算一次慢、且没有"为什么变成这样"的追溯。映射表把"统一规则"从公式里抽成一张配置表:列映射(各系统源列→统一目标列)+ 值映射(不同写法→标准值)+ 合并入库(纵向拼表并标 source)。新增系统只需补几行映射,规则可复用、可追溯,还能讲给智能体听。
- ◉ 用"本月外部违章率最高的公司"这个问题,说出从 xlsx 台账到智能体连库,至少要经过哪几个环节?(8.6.9 三域走查 / 8.6.10)
查看答案
① 多源统一:把 3 个计划、4 个违章系统的台账先按映射表统一成同一结构(8.6.10,也可对照代码 07);② ETL 清洗:去重、定主键、过滤统计范围、按口径归一(8.6.6);③ 按星型建模入库:事实表 + 维度表(8.6.3);④ 把"外部违章率"口径写进口径字典(8.6.5);⑤ 智能体连库:读表结构+口径字典、生成只读 SQL、取数后人复核(8.6.7)。— 这样的一句话 QA 就都能自动、准确回答了。
第 9 章 动手实践
- ◎ 三条实践路径按门槛从低到高排序是?
查看答案
① 网页版大模型(零门槛)→ ② 在线 Notebook / Colab(浏览器跑代码,不用装东西)→ ③ 本地 Python(自己电脑装环境)。
- ◎ 代码报错时,最推荐的"初学者排错法"是什么?
查看答案
把完整报错信息 + 相关代码复制给大模型,说"我是初学者,请解释报错原因并给出修改后的完整代码",并让它讲清原理——报错是对话的开始,不是学习的终点。
- ◉ 把真实数据喂给网页版大模型前,最该做的第一件事是什么?为什么?
查看答案
脱敏(姓名→编号、金额→归一化、去掉合同/人员身份证等)。因为公共网页版数据可能被用于训练或缓存,泄露后果自负。铁律:先脱敏,再外发;敏感数据只走内网。
- ★ 思考题:21 天小项目结束后,你的"交付物"应该包含哪四块?(提示:数据 → 模型 → 报告 → ?)
参考答案
① 清洗后的数据集与处理说明;② 跑通的模型及指标(准确率/误差);③ 一页分析报告(数字必须来自代码输出);④ 自动化方案或"明确不该自动化"的结论——第 8 章五问的落地答案。四块齐了,就是一套可复用的方法论。
答对不是目的,暴露漏洞才是目的。答错后做三件事:① 回读对应章节小节;② 用自己的话把正确解释写一遍(不是抄);③ 过一周再答一次。真正掌握的标准是:你能给同事讲明白,且能经得住追问。
第 10 章 AI 的来路与去路 + IPA 落地
- ◎ AI 前两次"寒冬"分别是靠哼什么想法点燃、又因为什么条件跟不上而熄灭的?第三次为什么能维持这么久?
查看答案
第一次(1950s–70s)靠"机器能思考吗"的想象力点燃,单层感知机连"逻辑异或"都算不了、算力太弱而降温;第二次(1980s–90s)靠"专家系统"的规则库,规则爆炸难维护、算力仍不够而再次入冬。第三次(2010s 至今)靠 GPU 算力 + 海量数据 + 算法突破(如图片识别到 Transformer) 三足齐备,是这一回能长久的原因。
- ◎ 用一句话说清:递归自我改进(RSI)和"会写代码的 AI 助手"最本质的区别是什么?
查看答案
AI 助手是在人类设计好的框架内帮忙写代码、自我反思;RSI 意味着 AI 自主设计、训练、部署自己的下一代,从"被改进者"变成"改进者甚至设计者"——这是本质分界。今天达到的是前者,后者尚未实现。
- ◎ 智能流程自动化(IPA)和传统 RPA 相比,多出来的"智能"主要体现在哪一层?举个台账相关的例子。
查看答案
多出的是 感知(OCR 读懂截图/PDF)与判断(机器学习识别异常、分类、纠错),以及编排(遇到不确定时停下问人)。例如:RPA 只会按固定路径把 3 个计划 + 4 个违章系统导出的表机械合并;IPA 能在合并时识别"某列取值超越了阈值"并打标叫你复核,而不是盲抄。
- ◉ 判断一句:自动录入违章数据时,事故责任判定适合交给 IPA 吗?为什么?
查看答案
不适合。事故责任判定是"需要复杂专业判断、涉及问责与法律风险"的场景,属于"三问不过"(规则不清/结果难以自动核对)的类型,应人留在环里(human-in-the-loop)。IPA 适合的是"步骤固定、数据可定位、结果可核对"的录入、合并、比对、取数。
- ★ 思考题:如果要把"月度台账汇总"改成"自动跑",它会分几步、每一步落在 IPA 的哪个层(执行 / 感知 / 判断 / 编排)?(提示:导出→统一→清洗→入库→算口径,各属哪层)
参考答案
① 各系统定时导出 → 执行层(RPA 机器人);② 统一结构(列映射/值映射)→ 执行 + 判断(用代码 07 映射表);③ 清洗查重、识别异常 → 判断层(机器学习/规则 + 人在环);④ 入库 → 执行层(写入 SQLite/数据库);⑤ 算外部违章率 + 按口径字典生成说明 → 编排层(智能体按"五问"把关)。能把这个拆清楚,就说明把第 10 章 + 第 8.6 章打通了。