T1 · 旧理解 c
开发者学习 RAG、Agent、Prompt，希望成为“大模型工程师”。
认知操作 r@Dclassify@ai_application_layer
新理解 C' · medium
该技能主要位于 AI 应用集成层，短期有用，但不等同于模型算法研发。若缺少业务集成、可信验证或底层推理能力，长期护城河较浅。
边界条件
不包含基础模型训练；不包含推理 runtime 优化；不包含规则校验系统。
human gate: 否应用与产品层
COGNITIVE TRANSITIONS
首批认知转换样例
延续 OCG 的 c → r@D → C' 表达，把 AI 技术判断变成可检查的认知转换。
T2 · 旧理解 c
大模型把大量任务统一成 next-token prediction 和概率建模。
认知操作 r@Dreinterpret@model_training_layer
新理解 C' · medium-high
传统手工算法设计没有消失，而是从大众应用岗位迁移到底层训练优化、推理基础设施和上层符号约束系统。
边界条件
不否认基础模型研发中的算法创新；主要针对普通应用层“大模型开发”。
human gate: 否框架内核与推理运行层模型训练与表示层信任、安全与治理层
T3 · 旧理解 c
企业需要把通用大模型接入真实业务系统。
认知操作 r@Dlocate@business_integration_layer
新理解 C' · high
FDE 位于企业落地与系统集成层，核心价值是把模型能力、业务流程、数据边界、权限体系和交付责任连接起来。
边界条件
FDE 不等同于前端工程师；FDE 不等同于单纯 prompt engineer。
human gate: 视任务风险而定企业集成与交付层应用与产品层
T4 · 旧理解 c
用户用 Python 写神经网络训练代码。
认知操作 r@Ddecompose@kernel_runtime_layer
新理解 C' · high
Python 主要承担上层接口、实验编排和生态调用；真正高密度数值计算通常由底层 C++ / CUDA runtime 执行。
边界条件
适用于主流深度学习框架；不表示 Python 在 AI 中不重要。
human gate: 否算力与硬件层框架内核与推理运行层模型训练与表示层
T5 · 旧理解 c
团队用 RAG 解决模型幻觉。
认知操作 r@Dbound@ai_application_layer
新理解 C' · high
RAG 可以增强信息 grounding，但不能单独保证逻辑正确、合规正确或数值正确；高风险场景仍需验证层和 human gate。
边界条件
检索源质量、chunk 策略、引用追踪都会影响结果。
human gate: 视任务风险而定模型服务与编排层应用与产品层信任、安全与治理层
T6 · 旧理解 c
Agent 被授权连续调用工具完成任务。
认知操作 r@Drisk_check@ai_application_layer
新理解 C' · high
Agent 的风险不只来自单次回答错误，还来自连续错误动作、工具误用、权限越界和不可追踪执行链。
边界条件
工具权限越大，审计和边界控制越重要。
human gate: 中高风险任务需要模型服务与编排层应用与产品层信任、安全与治理层
T7 · 旧理解 c
LLM 输出一个看似合理的业务判断，但该判断可能违反公司规则。
认知操作 r@Dvalidate@trust_verification_layer
新理解 C' · high
LLM 输出应作为候选结果进入规则引擎或 DSL 校验层，由符号系统验证其是否符合业务约束。
边界条件
适用于合规、风控、审批、法律、金融等高风险场景；低风险创意生成不一定需要强规则校验。
human gate: 高风险场景需要信任、安全与治理层认知治理与图谱层
T8 · 旧理解 c
模型输出法律、金融、安全或合规相关结论。
认知操作 r@Drequire@cognitive_governance_layer
新理解 C' · high
模型不得作为唯一最终责任主体，必须设置 human gate 或可审计的规则系统。
边界条件
适用于 binding decision、高风险审批、财务报告、安全代码审查等场景。
human gate: 是人类角色与责任层认知治理与图谱层信任、安全与治理层