AI-Native 架构总览

母框架

Native Intelligence
       ↕
Cognitive Environment
       ↕
Reality Governance
       ↓
Runtime / Reality
       ↑
     Feedback

这不是内部推理的强制顺序。它描述的是原生智能、认知环境与现实治理的职责关系。

Native Intelligence — 原生智能

模型已经具备理解、推理、探索、规划、权衡、判断与调整能力。工程环境可以利用这些能力，但默认不应该重新实现它们，更不应把 Understand → Reason → Evaluate → Plan 变成模型必须执行的程序顺序。

Cognitive Environment — 认知环境

模型当前可访问的领域世界，可以包括：

• Active Context、State
• Domain Knowledge、Docs、Examples
• Skills、Tools / Capabilities
• Objectives、Heuristics、Policies
• Evidence、Feedback Channels

Active Context 是此刻真正进入认知窗口的环境投影，不能与整个环境混为一谈。

Reality Governance — 现实治理

关注 AI 的认知结果何时、在什么范围以及基于什么依据能够真正影响外部现实。包括 Authority、Constraint、Permission、Commit Boundary、Contract、Validator、Transaction、Runtime Rules 等。

AI 可以提出设计、候选和推断，但这不天然等于已经授权或已经发生的现实事实。

AI Core / Domain Skill / Runtime

层	核心职责	不应承担的职责
AI Core	模型接入、Context 生命周期、知识访问、工具暴露、来源追踪和反馈接口	硬编码每个业务领域的认知路径
Domain Skill	领域知识、目标、启发式经验、工具指南与机器契约	成为多个互相争夺控制权的平行大脑
Runtime	权限、真实状态、事务、Validator、持久化与执行	将模型推断当作现实事实

Feedback Evolution

Runtime Outcome 与用户反馈有学习价值，但 Feedback ≠ Truth。要先完成证据收集、评价、验证，随后才能将稳定结论提升为 Knowledge、Examples、Heuristics、Evaluators 或 Policy。

设计自检

新增模块是在提供 AI 缺少的环境能力，还是在重复实现它已经具备的理解、规划和判断能力？

如果后者成立，需要检查是否发生了 Workflow 漂移。