1 范式总论
所谓范式思考，就是把分散在一次次项目中的成功经验，抽象成一套可复用的思考框架，让复杂的设备智能化解决方案有章可循、不再因人而异。
上海弈格面向化工、造纸、水务、钢铁、有色等行业，从解决现场问题出发，提供设备智能化解决方案。多年实践沉淀下来的范式可以概括为一句话：以现场问题为起点，以价值为锚点，以数据与知识为底座，以AI为引擎，以行动闭环为落点，以定制与全链条为保障，以持续演进为常态。
范式解决的是思考方法问题，而不是具体技术清单。它告诉我们每一步应该问什么、做什么、如何校验，使方案既专业、又可复制。
2 范式的内核框架
2.1 一条价值转化链
解决方案的本质，是把客户现场的真实问题转化为可衡量的价值。这一转化遵循一条清晰的链条：现场问题、价值定义、数据与知识、AI分析与决策、行动闭环。问题决定做什么，价值决定做到什么程度，数据与知识决定能不能做，AI决定做得深不深、快不快，闭环决定做不做得成。链条上的任何一环缺失或薄弱，方案都无法落地见效。
2.2 三重保障
围绕价值转化链，范式还设置三重保障：一企一策定制，保证方案贴合具体现场；全链条实施，保证从设计到运维的一致性；持续演进，保证系统随企业与业务共同成长。保障层不直接创造价值，却决定了价值能否稳定、持续地兑现。
3 范式的七要素
3.1 问题导向：一切从现场问题出发
方案不是从技术出发，而是从问题出发。面对品类繁多的被监设备与复杂多变的现场，必须先通过勘察、访谈与历史数据分析，把问题界定到设备、部件、工况与损失的程度。问题定义决定采集对象、分析深度与投入边界。
3.2 价值定义：以可量化目标为锚点
把问题转化为客户认可的价值指标，通常落在安全、经济、智能三个维度，如降低事故风险、减少非计划停机、提升运维效率。每个问题都要有可量化目标，作为设计与验收的依据，确保投入有回报。
3.3 数据与知识底座：双轮驱动
在分层架构（感知—网络—平台—应用）之上，公司坚持数据与知识双轮驱动：数据模型从历史中学习故障特征，机理知识与专家规则刻画设备运行规律。两者结合，才能在数据不足或场景陌生时依然作出可靠判断。
3.4 AI分析与决策辅助：智能引擎
以AI手段深化问题分析：通过机器学习与深度学习进行异常检测、故障分类与根因分析，引入大模型与生成式AI辅助工程师理解复杂状态、开展知识问答与推理；进而提供决策辅助，自动生成检修建议、处理优先级与备件需求，辅助管理者决策。AI的价值在于把判断做得更快、更准、更可解释。
3.5 行动闭环：以落地为准绳
分析结果必须驱动行动，形成“感知—分析—决策—执行—反馈”的闭环，与工单、检修流程和移动端协同。闭环是否打通，是方案能否见效的关键。
3.6 一企一策定制：常量与变量的统一
范式是不变的思考逻辑，属于常量；一企一策是随现场而变的参数，属于变量。化工、钢铁等行业企业差异巨大，范式保证思考不跑偏，参数保证方案不脱离现场。两者统一，既快速适配，又不失专业。
3.7 全链条与持续演进：保障与常态
方案需在全链条上闭环——设计、开发、制造、实施、运维统一负责，保证质量、成本与进度可控；同时通过数据回流与知识沉淀持续优化模型，推动方案向平台化、服务化演进。
4 范式与一企一策的关系
范式回答“怎么想”，一企一策回答“怎么做”。范式提供思考的顺序、提问与校验方法，确保面对不同行业、不同设备时思路稳定；一企一策为范式填入设备品类、工况、集成关系、组织与预算等现场参数。范式不变，参数随企而变，这是解决方案既能规模化复制、又能深度定制的基本保证。
5 行业解决方案的自评价
5.1 应用顺序：六问法
每份方案可依序自问六问：解决什么问题；价值如何量化；数据从何而来、是否可靠；用何种分析手段（含AI）得出判断；判断如何驱动行动；如何随运行持续改进。六问逐一落实，方案即为完整。
5.2 常见误区
一是技术导向，堆砌技术而脱离问题；二是数据幻觉，在数据不足时强行分析；三是闭环缺失，只报警不处置；四是脱离现场，忽视一企一策的变量约束。避免这四个误区，是范式有效的前提。
5.3 自检清单
交付前应核对：问题是否具体、价值是否可量化、数据与知识是否支撑、AI判断是否可解释、闭环是否打通、参数是否符合现场、演进机制是否建立。清单逐项通过，方案方可交付。
6 结语：范式的价值
范式的价值在于可复用、可传授、可校验。它把零散的实践经验固化为团队的共同语言，使新人能快速上手、老手能持续精进，使每一份方案既有专业深度、又有落地保障。范式不是一成不变的教条，而是在实践中不断打磨、随技术与行业共同演进的方法。