pengxiao/2026_DesignAI
1
0
Fork 0
Code Issues 1 Pull Requests Actions Packages Projects 1 Releases Wiki Activity

refactor(officefile): 按 md/latex/word 三层结构重组文档目录

Browse Source 
将 Markdown 源文件移入 md/，LaTeX 工作目录保留在 latex/，
Word 导出移入 word/；删除临时脚本、调试截图和空 stub。

Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>
This commit is contained in:
xiaopeng
2026-05-29 14:25:21 +08:00
parent de7a47db9d
commit a90f7adfa1
64 changed files with 7 additions and 58 deletions
Download Patch File Download Diff File Expand all files Collapse all files
officefile/md/supplements/00-introduction/00.3-what-is-autonomous-design.md
+427
View File
@@ -0,0 +1,427 @@
# 00.3 自主设计的含义
## 核心问题
> "自动"和"自主"有什么本质区别？
> 在设计工作中，AI应该扮演什么角色？工具还是伙伴？
> Human-in-the-Loop不是落后，而是高级的设计哲学？
---
## 概念讲解
### 自动 vs 自主
这两个词经常被混用，但在AI系统设计中有重要区别：
```
┌─────────────────────────────────────────────────────────────┐
│ 自动化(Automation) │
├─────────────────────────────────────────────────────────────┤
│ │
│ 设定 → [固定脚本] → 执行 → 结果 │
│ ↑ ↓ │
│ 预定义规则 完全确定 │
│ │
│ 特点： │
│ - 按预定规则执行 │
│ - 遇到异常停止 │
│ - 重复性任务 │
│ - 人类设定后不再介入 │
│ │
└─────────────────────────────────────────────────────────────┘
┌─────────────────────────────────────────────────────────────┐
│ 自主化(Autonomy) │
├─────────────────────────────────────────────────────────────┤
│ │
│ 目标 → [智能体] → 观察 → 决策 → 行动 → 反馈 │
│ ↑ ↑ ↑ ↓ │
│ 高层意图 持续学习 适应调整 环境变化 │
│ │
│ 特点： │
│ - 追求目标而非执行步骤 │
│ - 能处理意外情况 │
│ - 从经验中学习 │
│ - 在约束下自主决策 │
│ │
└─────────────────────────────────────────────────────────────┘
```
### 理解的层级
自主系统的智能程度可以分层：
```
Level 0: 无智能 (No Intelligence)
└── 简单机械，完全由外部控制
Level 1: 反应式智能 (Reactive Intelligence)
└── 基于当前状态直接反应，无记忆
例如：恒温器、简单的自动门
Level 2: 基于规则的智能 (Rule-based Intelligence)
└── 遵循预定义规则，有分支逻辑
例如：专家系统、决策树
Level 3: 学习型智能 (Learning Intelligence)
└── 能从数据中学习，改进性能
例如：机器学习模型
Level 4: 自主智能 (Autonomous Intelligence)
└── 设定目标，规划执行，处理意外
例如：自动驾驶、智能体系统
Level 5: 协作智能 (Collaborative Intelligence)
└── 与人类协同，理解意图和上下文
例如：设计伙伴AI
```
### 设计智能的演进
从CAD工具到AI设计伙伴的演进：
```
1980s: CAD时代
└── 数字化绘图，提高效率
设计师 → [绘图工具] → 图纸
2000s: 参数化设计时代
└── 规则驱动，生成变体
设计师 → [参数+规则] → [生成器] → 多方案
2010s: 优化时代
└── 目标驱动，搜索最优解
设计师 → [目标函数] → [优化算法] → 最优方案
2020s: AI生成时代
└── 意图驱动，智能生成
设计师 → [意图描述] → [AI模型] → 设计方案
未来: 协作设计时代
└── 人机协同，共同创造
设计师 ⇄ [AI伙伴] ⇄ 设计结果
共享理解
```
---
## 设计原理
### Human-in-the-Loop (HITL) 的设计哲学
HITL不是"半自动"的妥协，而是深思熟虑的设计选择。
**为什么需要HITL？**
1. **空间问题的复杂性**
- 多目标权衡（生态 vs 经济 vs 社会）
- 隐性知识无法完全编码
- 价值判断需要人类
2. **责任归属**
- 重大决策不能完全交给机器
- 设计师需要对结果负责
- 伦理考量需要人类判断
3. **信任建立**
- 逐步建立对AI的信任
- 可解释性增强信任
- 控制感增强接受度
**HITL的三种模式**：
```python
# 模式1: 决策前审查 (Pre-decision Review)
def hitl_pre_review(agent_decision, human_expert):
"""
人类在AI决策前审查
"""
proposal = agent.generate_proposal()
approval = human_expert.review(proposal)
if approval:
return agent.execute(proposal)
else:
feedback = human_expert.provide_feedback()
return agent.regenerate(feedback)
# 模式2: 关键点介入 (Checkpoint Intervention)
def hitl_checkpoint(workflow, checkpoints):
"""
在关键决策点人类介入
"""
for step in workflow:
result = step.execute()
if step.name in checkpoints:
# 只在关键点需要人类确认
if not human.confirm(result):
result = human.modify(result)
return result
# 模式3: 异常处理 (Exception Handling)
def hitl_exception(agent, task):
"""
AI正常运行，异常时人类介入
"""
try:
return agent.execute(task)
except UncertainSituation as e:
# AI遇到不确定情况，请求人类帮助
return human.resolve(e)
```
### ENAgent的三个审查点
ENAgent项目的HITL设计：
```
┌────────────────────────────────────────────────────────────┐
│ ENAgent 工作流程 │
├────────────────────────────────────────────────────────────┤
│ │
│ 1. 数据准备 │
│ └── 自动化执行 │
│ │
│ 2. 生态源地识别 ──→ [审查点1] ──→ 确认/调整源地 │
│ (AI识别) (人类专家) (最终决策) │
│ │
│ 3. 阻力面构建 ──→ [审查点2] ──→ 确认/调整权重 │
│ (AI建议) (人类专家) (最终参数) │
│ │
│ 4. MCR分析 │
│ └── 自动化执行 │
│ │
│ 5. 廊道提取 ──→ [审查点3] ──→ 确认/优化廊道 │
│ (AI识别) (人类专家) (最终方案) │
│ │
│ 6. 结果评估 │
│ └── AI + 人类共同评估 │
│ │
└────────────────────────────────────────────────────────────┘
```
**为什么选择这三个点？**
| 审查点 | 原因 | 人类贡献 |
|-------|------|---------|
| 源地识别 | 需要本地知识，遥感可能误判 | 地面实况，专家经验 |
| 阻力权重 | 价值判断，物种特性不同 | 生态学知识，实地经验 |
| 廊道优化 | 多目标权衡，不能完全量化 | 规划要求，社会因素 |
---
## 代码示例
### HITL工作流示意
```python
from typing import Callable, Optional
from dataclasses import dataclass
from enum import Enum
class ReviewDecision(Enum):
APPROVE = "approve"
MODIFY = "modify"
REJECT = "reject"
@dataclass
class ReviewResult:
decision: ReviewDecision
feedback: Optional[str] = None
modifications: Optional[dict] = None
class HumanReviewer:
"""
人类审查者的抽象接口
实际实现可以是CLI界面、Web界面等
"""
def review(self, proposal: dict, context: str) -> ReviewResult:
"""
审查AI的提案
Args:
proposal: AI生成的提案
context: 审查上下文信息
Returns:
审查决定
"""
print(f"\n=== 审查点: {context} ===")
print(f"AI提案: {proposal}")
# 实际实现中，这里会显示GUI或调用外部接口
decision = input("决策 (approve/modify/reject): ")
if decision == "approve":
return ReviewDecision.APPROVE
elif decision == "modify":
feedback = input("修改意见: ")
return ReviewDecision(ReviewDecision.MODIFY, feedback=feedback)
else:
return ReviewDecision(ReviewDecision.REJECT)
class HITLWorkflow:
"""
带人类审查的自主工作流
"""
def __init__(self, reviewer: HumanReviewer):
self.reviewer = reviewer
self.checkpoints = []
def add_checkpoint(self, name: str, condition: Callable = None):
"""
添加审查点
Args:
name: 审查点名称
condition: 触发审查的条件函数
"""
self.checkpoints.append({
'name': name,
'condition': condition or (lambda _: True)
})
def run(self, steps: list) -> dict:
"""
执行工作流，在审查点进行人类介入
Args:
steps: 工作流步骤列表
Returns:
最终结果
"""
context = {}
for i, step in enumerate(steps):
# 执行步骤
step_name = step.get('name', f'step_{i}')
step_func = step['execute']
print(f"\n执行步骤: {step_name}")
result = step_func(context)
context[step_name] = result
# 检查是否需要审查
for checkpoint in self.checkpoints:
if checkpoint['name'] == step_name:
if checkpoint['condition'](context):
review_result = self.reviewer.review(
result, step_name
)
if review_result.decision == ReviewDecision.REJECT:
# 拒绝，重新执行
print("提案被拒绝，重新执行...")
return self.run(steps)
elif review_result.decision == ReviewDecision.MODIFY:
# 修改，更新上下文
print(f"应用修改: {review_result.feedback}")
context[step_name] = self._apply_modifications(
result, review_result.modifications
)
# APPROVE: 继续执行
return context
def _apply_modifications(self, original: dict, modifications: dict) -> dict:
"""应用人类修改"""
if modifications:
original.update(modifications)
return original
# 使用示例：生态网络分析的HITL工作流
if __name__ == "__main__":
# 创建审查者
reviewer = HumanReviewer()
# 创建工作流
workflow = HITLWorkflow(reviewer)
# 添加审查点
workflow.add_checkpoint('identify_sources')
workflow.add_checkpoint('build_resistance')
workflow.add_checkpoint('extract_corridors')
# 定义工作流步骤
def step_load_data(context):
return {'data_loaded': True}
def step_identify_sources(context):
# 模拟AI识别源地
return {
'sources': [
{'id': 1, 'area': 1500, 'type': 'forest'},
{'id': 2, 'area': 800, 'type': 'wetland'}
],
'confidence': 0.85
}
def step_build_resistance(context):
# 模拟AI构建阻力面
return {
'weights': {
'forest': 1,
'grassland': 10,
'urban': 100,
'water': 50
}
}
def step_extract_corridors(context):
# 模拟AI提取廊道
return {
'corridors': [
{'from': 1, 'to': 2, 'length': 3500, 'quality': 'high'}
]
}
steps = [
{'name': 'load_data', 'execute': step_load_data},
{'name': 'identify_sources', 'execute': step_identify_sources},
{'name': 'build_resistance', 'execute': step_build_resistance},
{'name': 'extract_corridors', 'execute': step_extract_corridors},
]
# 执行工作流
result = workflow.run(steps)
print("\n=== 工作流完成 ===")
print(result)
```
---
## 反思与延伸
### 思考问题
1. **角色定位**：在你自己的工作中，你希望AI扮演什么角色？工具、助手还是伙伴？
2. **审查点设计**：如果要为你熟悉的工作流程设计HITL，你会选择哪些审查点？为什么？
3. **信任边界**：在什么情况下你会完全信任AI的决策？在什么情况下必须人类介入？
4. **责任归属**：如果HITL系统做出了错误决策导致损失，责任应该如何划分？
### 延伸阅读
- **"Human-in-the-Loop Machine Learning"** - HITL的系统论述
- **"Human-Centered AI"** (Ben Shneiderman) - 以人为本的AI设计
- **"Designing Autonomous Agents"** - 自主智能体设计理论
---
## 关键要点
1. **自动 ≠ 自主**：自动执行预定义步骤，自主追求目标并适应环境
2. **智能有层级**：从反应式到协作式，逐级递进
3. **HITL不是妥协**：而是深思熟虑的设计选择，在复杂、重要的决策中必不可少
4. **审查点选择是关键**：选择需要人类独特能力的决策点
5. **从工具到伙伴**：AI在设计中角色的演进，目标是协作而非替代