我的AI4MBSE在筹备上线，欢迎访问https://mbse.ltd。期待交流

从项目现场到产品落地：AI4MBSE，一套跑通真实工程的 MBSE 智能化方案

过去几年，我和团队深度扎根某单位的 MBSE 落地项目，从方法论选型、体系搭建到一线建模执行，完整走完了从 0 到 1 的全流程。踩过规范不统一的坑，熬过重复绘图的慢，痛过知识散落在各处、新人上手周期长的难，也真切验证了一件事：当 MBSE 遇上 AI，绝不是画个概念图、讲个新故事，而是要真真切切解决工程现场的问题。

正是基于这套跑通验证的真实项目经验，我们把沉淀的能力产品化，正式启动孵化 AI4MBSE 产品，站点 mbse.ltd 现已上线。我们不做悬浮的技术概念，只做能承托关键环节、渡过现场难题的实用工具。

舱・基础：模型工程知识库，MBSE 落地的 “规则压舱石”

很多团队的 MBSE 推不动，根源不在工具，而在 “知识没沉淀、标准不统一”。

 

同一份规范，不同人理解偏差；同一个建模动作，老员工靠经验，新人靠摸索；项目约定散在会议纪要、零散文档、历史聊天里，换个人执行就走样。到最后，模型质量参差不齐，复用价值极低，反而成了团队的额外负担。

我们的模型工程知识库，就是为解决这个问题而生的 MBSE 专属知识底座，也是整套 AI 能力的核心根基。

 

它不是简单的文档堆砌，而是结构化沉淀行业标准规范、成熟方法论框架、标杆项目案例，以及企业内部的项目约定与建模规则，形成可复用、可检索、可约束的体系化知识资产。搭配专为 MBSE 场景优化的 RAG 检索能力，建模过程中的每一处疑问、每一步操作，都能快速匹配到对应的规则依据，不用再翻遍几十个文档找答案。

更关键的是，这套知识库并非孤立存在 —— 它会直接作为 AI 建模的 “约束边界”，让所有 AI 生成的模型内容，都严格卡在规范与约定的框架内，从源头避免 “AI 自由发挥、模型脱离工程要求” 的问题。知识有多扎实，模型就有多靠谱。

主航・AI4MBSE：知识约束下的对话式建模，可控、可信、可落地

这是我们整套方案的核心，也是在真实项目里反复打磨验证的能力 ——知识约束型对话式 SysML/MBSE 建模。

 

和市面上 “一键生成模型” 的黑盒方案不同，我们从一开始就认定：工业工程领域，可控性远比 “全自动” 重要。

AI4MBSE 的运行逻辑清晰且严谨：

1. 知识先打底：所有 AI 输出，都严格受限于工程知识库的规则边界，不生成无依据的模型元素，不突破规范与方法论要求；
2. 对话式推进：工程师用自然语言描述设计需求，AI 以 “一张图一步步” 的方式逐步生成模型草图，过程透明可见，每一步都可干预、可调整；
3. 人确认再回写：AI 生成的所有模型内容，必须经过工程师人工审核确认后，才会正式回写到模型文件中。人始终掌握最终决策权，AI 只做高效辅助。

在此基础上，平台原生适配 MagicGrid、OOSEM、Harmony-SE 三大主流 MBSE 方法论，支持灵活配置。你用什么方法论，AI 就按什么节奏和逻辑输出，不用为了工具改流程，而是让工具贴合你的团队习惯。

它带来的价值直接且落地：

• 对新人：大幅降低 SysML 语法与建模规范的学习门槛，上手就能产出合规模型；
• 对资深工程师：把大量重复绘图、查规范的工作交出去，把精力放回系统设计本身；
• 对团队：统一建模标准，保证模型质量，沉淀项目知识，让 MBSE 真正可复制、可规模化。

关于雅格：承托关键，渡过现场

这个产品所属的品牌叫「雅格 Ark」，slogan 是 “承托关键，渡过现场”。

 

名字里的 Ark，是方舟，也是承载。我们始终觉得，工业领域的工具，本质上都是 “承托”—— 承托住复杂系统里的关键环节，帮工程师渡过项目现场里一个又一个具体的难关。

从一线项目里走出来，我们比谁都清楚：MBSE 的落地，从来不是买一套工具、开几场培训就能完成的事。它需要贴合工程逻辑的方法论，需要可落地的知识体系，需要真正懂现场的辅助工具。我们做 AI4MBSE，不是为了追逐 AI 的风口，而是因为我们在项目里真切感受到了痛点，也验证了 “知识 + AI + 人机协同” 这条路走得通。

我们想做的，就是把这套经过现场验证的方案，变成更多团队能用、好用的产品，让 MBSE 不再是停留在标书和 PPT 里的概念，而是真正能提升研发效率、守住工程质量的生产力工具。

目前产品正处于创建打磨阶段，站点 mbse.ltd 已开放核心能力示意。如果你正在推进 MBSE 落地，对 AI+MBSE 有想法、有需求，或是遇到了落地难题，欢迎随时交流对接。我们相信，扎根现场的工具，才能真正服务好现场。