在工业场景中引入人工智能，首先要回答的不是选哪个模型，而是哪些环节该交给规则引擎、哪些才需要大模型介入。中南股份设备管理部与宝信软件在智能体开发中梳理的多个应用场景，恰好提供了一个可供参考的分工样本：同样是设备管理相关需求，不同环节适配的技术路径并不相同。
判断的核心在于问题的确定性与数据条件。维修成本归集这类任务，规则清晰、口径稳定，可以依托现有系统数据直接搭建规则引擎，输出结果可追溯、可校验，没有必要引入生成式模型。规则引擎的价值正在于确定性：相同输入得到相同结果，便于审计和责任界定，这在工业管理中往往比"更聪明"更重要。
大模型的优势则体现在非结构化信息的理解与归纳上，但其输出存在不可靠的风险。设备故障分析的处理方式说明了这一点——报道提到考虑将设备手册解析与规则库结合，用规则约束模型的输出边界，以降低大模型产生不可靠信息的可能。换言之，大模型负责理解手册、提取线索，规则库负责把结论框定在可信范围内，两者互为约束而非相互替代。
分层与暂缓同样是分工
分工不只是"规则做什么、模型做什么"，还包括判断什么暂时不做。涉及设备知识图谱的多维度智能拆解分析被暂缓推进，施工方案审查则需要分级建设知识库并动态纳入法规标准。这表明当基础条件不足、知识结构尚未成形时，强行套用某一种技术方案并不可取。把业务问题拆解到可验证的环节，识别哪些已有数据和规则能支撑自动化、哪些需要补充知识、哪些应当暂缓，本身就是分工的前提。
需要强调的是，这类分工能够成立的隐含条件是数据与管理基础。报道将数据治理、采集与点位等基础工作列为推进AI应用的重要要求。规则引擎依赖口径一致的数据，大模型依赖结构化的知识供给，缺少这些支撑，无论哪一侧都难以稳定运行。因此在工业场景中，规则与模型的合理分工，往往不是技术选型问题，而是对业务确定性、数据质量和风险容忍度的综合权衡。