AI分析员定位与职责

版本号：v0.1.0 最后更新：2026-04-04

1. 目的

本文档用于明确本项目中 AI 的真实角色、职责边界和系统位置，避免后续设计时把 AI 错误地当成算法替代品或单纯的聊天层。

2. 核心定义

在本项目中，AI 替代的不是算法本身，而是传统信号分析流程中的使用者。

更准确地说，AI 替代的是下列角色的主要工作：

仪器使用者
实验操作员
分析员
初级到中级诊断工程师

因此，AI 在系统中的定位应定义为：

AI分析员

其本质作用是：

观察已有结果
提出模式假设
选择分析工具
设计验证步骤
分析实验结果
决定下一步动作
最终形成带依据的结论

3. AI 不替代什么

AI 不直接替代底层算法模块。

AI 不应直接充当：

传感器
DSP 内核
信号预处理模块
特征提取模块
分类器本体
检测器本体
分帧器本体

这些能力仍由确定性算法、统计方法和专门模型模块承担。

4. AI 替代的具体工作

在没有 AI 的情况下，使用者通常需要人工完成以下工作：

观察原始输入和初始分析结果
判断可能存在的模式
选择合适算法
设定参数范围
运行验证
分析输出
调整方案并重复实验
评估可信度
输出结论

本项目的目标是把这套流程尽可能交给 AI 完成。

5. AI分析员的职责

5.1 初始研判

AI 应能够读取样本元信息和基础探针结果，对当前输入做初步判断。

例如：

当前信号更像稳态信号还是瞬态事件
是否存在明显周期性
是否疑似多声源混合
是否更像未知异常样本

5.2 假设生成

AI 应能够基于已有证据提出候选假设。

例如：

存在重复脉冲模式
存在稳定窄带成分
存在多个事件模板
当前片段不适合直接分类，应先分离或重分段

5.3 工具选择

AI 应能够从模块注册表和算法链模板目录中选择合适工具。

这意味着 AI 要具备：

识别不同算法链适用场景的能力
理解不同阶段算法用途的能力
在成本、收益和风险之间做权衡的能力

5.4 实验设计

AI 应能够设计下一轮实验。

包括但不限于：

选择哪条算法链先运行
选择哪些参数可调
先做低成本验证还是重型验证
是否需要对照实验
是否需要更多样本

5.5 结果分析

AI 应能够读取实验输出并做结构化分析。

包括：

哪个假设得到支持
哪个假设被削弱或证伪
当前失败更可能发生在哪一阶段
哪种调整更值得优先尝试

5.6 结论生成

AI 应能够生成最终或阶段性结论。

结论必须包括：

核心判断
支持证据
冲突证据
置信度
不确定性说明
建议下一步

6. AI分析员的权限边界

AI 可以：

读取结构化证据
读取模块元数据
选择已注册算法链
调整允许范围内的参数
决定实验顺序
请求更多数据
生成结论和解释

AI 不可以：

绕过模块注册表直接调用未登记代码
绕过信任策略加载未知模块
直接修改底层生产算法实现
用自由文本替代结构化评分与证据
在证据不足时伪装成确定结论

7. AI分析员与系统其他部分的关系

7.1 与用户的关系

用户不再直接拼装复杂算法链。

用户主要负责：

提供样本
提供目标
提供高层约束
查看结果

AI 负责把用户目标转化为实验流程。

7.2 与算法链的关系

算法链是 AI 的实验工具箱。

AI 不创造分析原理本身，但会：

选择链模板
组合模块
调整参数
判断何时切换链路

7.3 与实验执行器的关系

实验执行器负责按计划执行。

AI 负责决定：

执行什么
为什么执行
执行后如何解释

7.4 与证据模型的关系

证据模型是 AI分析员的工作依据。

AI 的判断应建立在：

Evidence
ScoreCard
failureReasons
历史实验记录

而不是建立在不可追踪的自由发挥之上。

8. 对系统架构的影响

一旦明确 AI 替代的是使用者，系统就必须围绕“自动化分析流程”来设计，而不是围绕“单次分类”来设计。

这意味着系统重点应落在：

模块注册表
算法链体系
实验模型
证据模型
评分机制
AI 决策输入输出规范

而不仅仅是一个模型接口。

9. 对产品形态的影响

这一定义意味着本项目的产品本质不是普通识别应用，而是：

移动信号分析实验室
AI 驱动的自动化实验分析终端
面向音频起步、可扩展到更多模态的 tricorder 原型

10. 结论

本项目中的 AI 不负责替代底层算法，而负责替代传统分析流程中的使用者。

因此，AI 的正确角色是：

分析员
操作员
实验设计者
结果解释者

系统的核心目标不是让用户自己拼装算法链，而是让 AI 接管这套专业操作流程，并在结构化证据基础上得出可信结论。

AI分析员定位与职责.md 5.1 KB Lịch sử Raw