研究导读

AI 工程学与 AGI 工程：可靠交付、SCR 和 MRAC

在 COG 的研究语境中，AI 工程学关注智能系统在开放、复杂且约束持续存在的任务中实现可靠交付的条件、机制、方法与基础设施。AGI 工程则围绕项目级自主交付的远期目标展开，连接能力结构、过程治理与可验证结果。

以下内容是 COG 研究观点的导读；完整论证、适用条件与参考文献请见原始论文。

AI ENGINEERING / RELIABILITY

审计与修复的持续回路

AI 工程学与工程化 AGI 有什么关系？

AI 工程学研究可靠交付如何发生，并不需要等到 AGI 实现后才有意义。工程化 AGI 是其中一个重要远期目标：在明确条件下，使完整系统能够以低人工介入持续承担复杂项目，并逐步扩展其覆盖范围。构建工具或工作流本身，不等于已经达到这一目标。

AI工程学:面向智能任务可靠交付的学科纲领

KSC、SCR 与 MRAC 分别解决什么问题？

KSC 提供知识、结构生成与约束保持的基础坐标。SCR 描述搜索空间、覆盖能力与交付可靠性的关系，导出搜索空间治理。MRAC 通过审计—修复轨迹提供覆盖状态的过程观测。需要区分两套符号：KSC 的 S、C 指结构生成与约束保持；SCR 的 S、C 指搜索空间与覆盖能力。

AI工程学:面向智能任务可靠交付的学科纲领

MRAC 如何用于可靠交付？

MRAC 观察的是多轮审计中问题数量、严重度和类型的变化。持续不收敛可以提示当前任务尚未进入系统可稳定处理的范围，支持修复、回退或重新拆分。收敛提供有条件的过程证据，仍依赖审计保持有效，不能排除共同盲区或替代独立验收。

多轮审计收敛:复杂 AI 工程任务的覆盖状态判断与递归控制

MRAC Bench 如何支持 AI 工程评测？

MRAC Bench 将 MRAC 用于软件工程评测，从真实仓库和变更需求构造任务，结合预算内收敛、审计—修复轨迹及资源消耗开展观察。它提出评测方法与基础设施；现有规范审计先导实验尚不能直接证明实际覆盖程度或普遍的模型能力排名。

MRAC Bench:基于多轮审计收敛的软件工程评测方法与基础设施

原始论文与 DOI

研究论文 v2.6.2

从 SCR 关系到搜索空间治理:AI 软件工程交付可靠性的基础分析框架

生成式 AI 已能低成本生成代码和功能,但复杂软件的可靠交付仍依赖对任务约束、组件依赖、变更影响与验证反馈的持续处理。本文考察由大语言模型、开发 Agent、工具、执行环境、验证反馈与多轮迭代共同组成的完整 AI 开发系统,并以从接受任务到完成交付、终止任务或…

 DOI: 10.5281/zenodo.21917081
研究论文 v3.3.1

KSC:知识、结构与约束——人类—AI 差异与协同的功能框架

当前 AI 已能够广泛调用知识并快速生成复杂结构,但不同任务中的能力表现仍具有显著差异:有些问题主要受可用信息限制,有些问题要求形成新的问题表征、关系或方案,还有一些任务即使局部生成质量很高,也会在长链条、多条件和强状态依赖过程中逐渐丢失目标、前提、边界或验收…

 DOI: 10.5281/zenodo.21991838

相关研究导读

在理论图谱中探索 AGI、ASI 与 AI 工程学的关系