AI主导型系统迁移范式

最后修订：2026-04-25

传统系统迁移采用人工制定规则、AI负责落地、再由人复核把关的分工方式。这种"人机协同"架构下，AI仅充当辅助工具角色。

AI优先范式实现三重转型：

核心目标并非让AI协助人类工作，而是构建以AI为默认主体的迁移流水线，人类仅在特定升级场景下干预，且干预行为本身即构成反馈信号——高频介入意味着规则判据不足，需优化规则而非人工接管。

本文档旨在将"人工预判"理念贯彻到底：将所有可自动识别的判据完全自动化，将不可自动化的部分明确列为升级触发项。

三大核心机制设计：

AI主导型流程设计：

核心链路全AI闭环：双写适配层代码、对账程序、灰度发布策略、回滚方案、脏数据处理、外部依赖兼容性校验——均由AI自动生成、执行与监控；人类仅负责升级决策。

建模规则采用"信号/阈值/AI动作"三栏结构，杜绝"视情况而定"的模糊描述；AI直接依据信号做出判定。

职责倒置：AI担任主责方；人类作为升级处理者、规则维护者和红线审批者，均非迁移执行主体。

异常信号暴露规则短板：人工介入频次、升级触发率、agent互审分歧率均为可观测指标，指标恶化表明规则颗粒度不足，需补充判据而非转交人工。

核心总结：AI优先不等于AI全能，而是构建AI默认自治的体系，将人的角色从"主流程"降级为"异常处理器"，并将每次干预转化为规则迭代的信号源。

传统"AI辅助"模式基于两个前提：AI可靠性不足、业务决策依赖人工。最终结论：必须人工复核兜底。

AI优先范式的假设是：AI表现不稳源于判据颗粒度不足。结论：将判据细化至AI可处理级别，仅将不可处理项列为升级点。

此范式转换带来三个推论：

规则规范：每条建模标准必须提供AI可直接判定的信号与阈值，不得使用"视场景而定"、"综合评估后决策"等依赖人工解读的模糊判据。

反面示例（传统模式，不达标）：

"读操作远多于写的聚合数据可采用预计算表"

正面示例（AI优先模式）：

信号数据源必须明确枚举，不可预设AI可自动推导。典型数据源包括：

迁移筹备的首要任务：将这些数据源接入统一查询接口，使AI可一次性获取全貌。此项工作优先级高于新建数据表。

规则要求：不依赖人工二次复核。采用三类agent并行处理相同输入，结果差异触发升级机制。

三agent结果一致→自动通过，无需人工干预。三agent存在分歧→将差异点作为升级项上报，由人仲裁。

执行流程：

核心约束条件：

弃用人工复核的原因：

规则：AI在以下四类情形必须主动暂停并请求人工介入，其余情况一律自主闭环，无需等待确认。

非触发场景（AI完全自治，无需等待）：

升级频率作为可观测指标：按每个迭代周期统计。频率攀升意味着规则失效，需返工优化规则/补充判据/增加数据源，而非增加人力排班。

触发及处理流程：

注意要点：理想情况下每次人工裁决都应转化为规则优化，而非重复处理同类问题。裁决频次高但规则未更新=流程失效。

每条规则按三栏结构输出。AI直接读取信号并执行，不做模糊推断。

传统模式：人工定义白名单。AI优先模式：AI从信号中识别白名单候选，人工仅复核AI标记的低置信度项。

AI执行动作：

核心要点：人类不再直接维护白名单，仅负责低置信度边界确认。维护对象是白名单规则与信号源。

单字段级决策流程（AI逐字段执行）：

此流程是"判据自动化"的典型案例：各决策节点均具备明确信号