8.4 智能座舱：大语言模型作为导航计算机

8.4 智能座舱：大语言模型作为导航计算机

本节摘要：大语言模型坐进驾驶舱，改变的是接口不是纪律。本节划定它的接缝——自然语言任务翻译、方法选择与工具挑选这些"语言稠密"的环节交给它，搜索、控制与闭环原样保留；幻觉按不可靠读数处理，输出必须过调理与校验闸门；并给出"何时值得换座舱"的判据。应用层的框架与提示工程归 534 册，这里只谈架构。

「LLM 智能体」这个词火到几乎成了智能体的同义词，好像不接一颗大语言模型就不配叫飞行器。本节把热度降温成图纸：大语言模型究竟接走驾驶舱的哪几根线，哪些线它碰不得，以及换了座舱之后，全册的纪律哪些升级、哪些原样不动。结论先给：新大脑改变的是接口，不是纪律——它接走的是语言稠密的接缝，闭环、单一事实源、频控与幂等一根不少，而且恰恰因为接了个不可靠的大脑，这些纪律比以往任何时候都更重要。

它接走哪几根线

大语言模型的长处在语言：读任务书、选方法、挑工具、解释决策。对应到舱段上是规划舱与外挂舱的特定接口——任务翻译：把"把冷库的托盘送到装柜口"翻译成 3.1 节的结构化任务单（这一步曾是 NLP 的硬骨头，语言模型做得又快又好）；方法选择：3.3 节的方法库里"哪个配方适用当前局面"的判断，从规则匹配升级为语言推理，能吃进描述性的上下文（"今天是雨季、三号通道在施工"）；工具挑选：6.3 节技能库的检索，从关键词匹配升级为语义匹配；解释生成：4.4 节的三类追问，它答得比模板自然。这些接缝的共同点：输入输出都是语言或结构化选择，错了有下游校验兜底。

它碰不得的线同样清晰：控制律与搜索内核（3.2 的 A 星、4.1 的伺服——数值计算不是它的强项，也不需要它）；实时回路（推理延迟抖动且不小，进不了毫秒级的节拍）；直接驱动执行器（它的输出必须先落地成结构化任务单，经谓词校验后才能进舱——绝不从自然语言直连舵面）。

幻觉的处置：按不可靠读数处理

语言模型会一本正经地编造——编工具名、编参数值、编不存在的航线。工程态度不是惊讶，是归类：幻觉就是一种不可靠读数，全册为不可靠读数准备的全套机制直接适用。2.2 节的调理思想对应输出校验：任务单字段逐一验证（引用的航图节点存在吗、参数在模式范围内吗、工具在注册表里吗）；3.1 节的谓词对应落地复核：翻译出的任务单要过静态校验（分解终止、验收谓词可判）；6.3 节的闸门对应权限不放行：它报出的工具名若越权，闸门照拦。一句话：把 LLM 当成一位知识渊博但偶尔自信过头的副驾驶——他的建议一律过仪表确认，方向盘不交。

class LLMBridge:
    """智能座舱接缝：LLM 的输出必须过闸才能进舱。"""

    def __init__(self, llm, cabin_map, registry, board):
        self.llm = llm
        self.map = cabin_map
        self.registry = registry
        self.board = board

    def translate_task(self, utterance):
        """自然语言 -> 任务单草稿 -> 校验 -> 正式任务单。"""
        draft = self.llm.parse(
            utterance,
            schema=TASK_ORDER_SCHEMA,
            context=self.board.working_pack())   # 工作集做上下文
        errors = validate_task_order(draft, self.map)
        if errors:                                # 校验不过，带错回炉
            draft = self.llm.revise(draft, errors)
            errors = validate_task_order(draft, self.map)
            if errors:
                return EscalateToHuman(utterance, errors)  # 4.4 塔台
        return TaskOrder(**draft)

    def pick_method(self, task, situation_note):
        """方法选择：LLM 只推荐，前置条件复检说了算。"""
        candidates = self.llm.suggest_methods(
            task, situation_note,
            allowed=[m.name for m in METHODS[task]])
        for name in candidates:                   # 按推荐序复检
            m = find_method(task, name)
            if m and m.precondition(self.board):
                return m
        return fallback_rule(task)                # 全灭走经典规则
​

桥接代码里藏着本节的两条纪律。校验不过不猜：翻译两次仍不合法，升级人工而不是硬着头皮执行——语言接口的失败要体面落地；推荐与决定分离：LLM 的输出永远叫"推荐"，决定权在前置条件复检与权限闸门手里。这两条与 4.4 节的信任校准一脉相承：副驾驶的发言权，由仪表的复核制度定义。

输出校验器是桥接的守门件，模式检查的骨架如下：

def validate_task_order(draft, cabin_map):
    """LLM 任务单草稿校验：每条错误都具体到字段。"""
    errors = []
    for step in draft.get("steps", []):
        # 引用的航图节点必须真实存在（防编造地名）
        if step.get("target_node") and not \
           cabin_map.node_exists(step["target_node"]):
            errors.append(f"节点不存在：{step['target_node']}")
        # 原语必须在内控白名单（防发明动作）
        if step.get("action") not in KNOWN_PRIMITIVES:
            errors.append(f"未知动作：{step.get('action')}")
    if draft.get("deadline") is not None and draft["deadline"] <= 0:
        errors.append("时间窗非法")
    return errors
​

何时值得换座舱

换座舱有成本与风险（推理成本、延迟、新的失效面），判据看任务的语言稠密度：值得换——任务书是自然语言、任务种类频繁变化（写方法库追不上）、需要向人解释推理（对话式监督）；不值得换——任务固定、节拍紧、空域简单——一套手写程序库加搜索更便宜、更快、更可控。混合是常态：语言稠密的接缝上 LLM，节拍紧的回路留经典，这正是本节开头那张表的用途。

💡 关键直觉：大语言模型没有推翻飞行器设计，它只是把"任务翻译与方法选择"这两个长期以来最难自动化的接缝变成了可解。骨架越好的人，越能放心用新大脑——纪律就是安全带。

本节要点回顾

• 接走语言接缝：任务翻译、方法选择、工具挑选、解释生成——输入输出可校验的环节才交给它。
• 不碰的线：搜索内核、实时回路、执行控制——数值、节拍、责任三重理由。
• 幻觉即不可靠读数：输出校验、落地复核、权限不放行，全册旧机制直接适用；方向盘不交。
• 推荐与决定分离：LLM 输出叫推荐，前置条件复检与闸门做决定；校验不过升级人工，不硬执行。
• 换舱判据：语言稠密、任务多变、要解释的场景值得换；固定任务与紧节拍留在经典座舱。

大脑换过了，机库的窗户外面还停着一整片停机坪。最后一节：环视机型谱系，给全册画一条诚实的边界。