依赖图里的风险不能只靠模型猜

上周带两个学生整理一个视觉标注小工具的运行环境，需求在飞书，代码在仓库，外包标注和两家供应商也在文档里。我先让聊天机器人总结风险，它写得很顺，说“主要是人员排期”。第二天一查，真正卡住的是测试证书过期和供应商合同到期。从原理上讲，问题不是模型不够聪明，是上下文太碎。

于是我开始试 Lenexus。它把系统、供应商、人员、资产放进依赖图，再用确定性风险引擎和 AI 层做判断。这里需要先理解几个概念。依赖图是把实体画成节点，把关系画成边，比如“服务A调用数据库B”。确定性风险引擎按预设规则算，比如单一供应商、缺少备份。AI 层更像翻译官，把路径变成人能读的说明。

第一天我只录实验室一个标注平台：代码仓库、GPU 服务器、飞书文档、外包组、两家供应商、测试证书。界面是一个画布，左侧按实体类别找节点，点开能看关系。我卡了二十多分钟，不是工具复杂，是实体没拆干净。外包组算“人员”还是“服务”，证书算“资产”还是“风险项”，全塞进备注，图就糊了。

第三天开始加规则。关键路径必须有备份，单一供应商标红，审批人连续两周不可用就提示阻塞。这里我想起 arXiv 上那篇讲 LLM Agent 依赖和执行图的论文，它把执行轨迹拆成扁平特征和依赖特征，并把依赖块按运行长度归一化。这个思路对我有用：流程越长，节点越多，天然看起来更危险。不归一化，AI 容易把“长”误读成“危”。我在 Lenexus 里也遇到类似情况，一条从需求到交付的路径被自动标成高风险，后来发现只是穿过三个低优先级文档。

一周后我让两个学生做同一件事。一个直接问聊天机器人：“这个标注平台有哪些风险？”另一个先录入实体和关系，再让 AI 层总结。前者适合发群，但没法追溯。后者能点开节点，看到哪条边触发规则。我这边测下来，差别不在智能，在可审计。Rainbird 那篇金融场景的文章说，确定性引擎做主判断，LLM 更像接口层。这句话在风险工具里挺关键。

不过它不适合所有人。优点是路径清楚，规则能留住团队经验，AI 不用从零猜。缺点也明显：前期录入很烦，中文简称、项目代号、同义词会混淆，图一多以后画布容易变成一团线。它也不适合只想丢一份文档进去、立刻要风险报告的人。我的结论是看情况。如果你们已经有资产清单、流程 owner、规则意识，它能省很多扯皮。如果团队连“谁依赖谁”都没谈拢，它只会把混乱画得更好看。

这周我还没接生产数据。

---

📌 本文编译自 Hacker News，原文：https://lenexux.com/welcome

版权归原作者所有，本文为基于公开报道的编译与独立分析。