当LLM让自然语言理解成本暴跌，我们真的要抛弃一切吗？
引子：一个被忽视的悖论
出差要填表，报销要填表，请假要填表，采购要填表。
人们被逼着打开电脑，面对一个个表单栏位敲键盘、点鼠标。明明电话里说一句话就能解决的事，非要变成系统里的"新增、查询、修改、删除"。
天空中飘来一句：提升效率、降低成本。
可明明是自然语言最高效啊？这不是悖论吗？
最近读到海龙老师的文章《智能体开发的新方向：从 CRUD 到自然语言开发的范式转移》，他把这个悖论讲透了。但读完之后，我对部分观点产生了不同的思考。
第一性原理：管理是语言活动
海龙老师提出了一个核心洞察：
管理的本质，是语言活动。
下达指令是语言，汇报进度是语言，协调资源是语言，审批决策是语言，制定制度还是语言。
虽然不能说100%是语言活动，但起码80%-90%的工作如此。
这意味着什么？
过去50年，企业管理软件做的事情，本质上是——把人说的自然语言，翻译成计算机能理解的结构化语言（表单） 。
用户被迫学习每个系统的操作方式，理解每个字段填什么、每个按钮什么意思。这是技术限制下的"迫不得已"。
但现在，LLM出现了。自然语言理解的成本正在归零。
范式转移：从"人适应系统"到"系统适应人"
文章描绘了两个范式的对比：
CRUD范式：表单驱动
人 → 填表 → 系统 → 规则引擎 → 审批 → 归档
自然语言范式：语言驱动
人 → 说话 → AI理解 → AI决策 → 自动执行
以出差管理为例：
| 环节 | CRUD范式 | 自然语言范式 |
|---|---|---|
| 出差前 | 打开系统→填写申请单→选择日期地点→提交审批 | 对AI说"我要去上海出差3天" |
| 出差中 | 住宿超标？先垫付，回来解释 | 对AI说"酒店超标200"，AI判断后同意 |
| 出差后 | 填写报销单→上传发票→等待审批 | 对AI说"出差结束了，花了5000"，AI自动记账 |
前者是人服务于系统，后者是系统服务于人。
这不是技术升级，是范式转移。就像汽车取代马车，不是马车不够好，是汽车代表了新的范式。
质疑：成本真的归零了吗？
我认同范式转移的大方向，但对部分观点持保留意见。
问题一："自然语言理解成本归零"——过于乐观
LLM的理解准确率确实很高，但企业场景要求的是99.9%+的可靠性。
- 模糊指令的歧义性："我要报销"——报什么？多少钱？什么项目？
- 复杂业务规则的理解：税收政策、合规要求、跨部门逻辑
- 多轮对话的信息整合：用户分散表达，AI如何准确拼凑？
成本没有归零，只是转移了。 从"用户学习填表"转移到"AI理解意图+消除歧义"。
问题二："抛弃关系数据库"——激进且危险
文章建议用文件型存储（如Markdown），但这忽略了几个关键问题：
- 数据一致性：多用户并发操作时如何保证？
- 复杂查询：跨表关联、聚合分析、实时报表怎么办？
- 审计追溯：财务数据要求精确可追溯，容不得AI的"幻觉"
关系数据库不是CRUD的产物，是数据治理的基础设施。
我认为，应该是演进，不是抛弃。
思考：存储架构如何演进？
既然要演进，那数据库该扮演什么角色？
我的思考是：一套系统，两份关联数据。
原始数据层（人可读，AI可理解）
├── 格式：Markdown + 元数据
├── 内容：人机对话原始记录
├── 存储：文件系统 （或者以KV的方式存入数据库）
└── 用途：人阅读、核验、审计
结构化数据层（便于查询统计）
├── 格式：关系数据库
├── 内容：从对话中提取的关键字段
├── 关联：通过record_id指向原始对话
└── 用途：统计分析、报表生成
向量索引（派生，可重建）
├── 用途：AI语义检索
└── 特点：从原始数据派生，随时可重建
关系数据库从"唯一真相源"演进为"结构化索引层"。
它不再是唯一的数据存储，而是承担查询和统计的职责。原始对话作为"真相源"，人可以阅读，AI可以理解，两者相互关联、相互印证。
一致性：事后审计，信任演进
新问题来了：如果数据都是由AI生成和提取的，怎么保证一致性？
如果每次都要人工确认，用户体验会很差。但不确认，又怎么放心？
我的答案是：事后审计 + 信任演进。
事后审计机制
实时处理：
用户对话 → AI处理 → 直接写入原始+结构化
（不阻塞用户，体验流畅）
后台审计：
定时任务 → 审计模型检查原始vs结构化
├─ 一致 → 通过，记录审计日志
└─ 不一致 → 标记异常 → 人工复核队列
用另一个模型根据原始记录反查结构化数据是否一致。不一致则交由人工确认。
信任演进的四个阶段
信任不是一蹴而就的，需要逐步建立：
| 阶段 | 信任度 | 人工干预 | 周期 |
|---|---|---|---|
| 全量确认 | 0% | 每笔都确认 | 1-2周 |
| 抽样确认 | 30% | 随机抽查20% | 1个月 |
| 异常确认 | 70% | 只确认AI标记的异常 | 持续 |
| 事后审计 | 95% | AI自动处理，后台审计 | 持续 |
初期，人们会觉得"看一眼放心一点"。但随着信任增加，人们反而会觉得每次确认很麻烦。
让信任自然演进，而不是强行确认。
观点修正表
总结一下，我对原文观点的修正：
| 原文观点 | 我的修正 |
|---|---|
| 抛弃关系数据库 | 关系数据库保留，角色演进 |
| 数据用MD文件存储 | MD存原始对话，结构化数据仍入库 |
| AI决策直接执行 | AI处理 + 后台审计 |
| 每次人工确认 | 事后审计，信任演进 |
| 范式革命 | 范式演进，继承有价值的基础设施 |
革命是必须的，但革命不代表要推翻一切。
真正有生命力的变革，是在继承中突破。
结语
CRUD模式存在了50年，不是因为它是最好的，是因为没有更好的选择。
LLM让自然语言理解成本暴跌，第一次有了替代方案。
但替代不是抛弃，是演进。
表单不会消失，但会"隐身"——用户不直接填表，AI会把自然语言转换成结构化数据，再进入系统。
关系数据库不会消失，但会"下沉"——从唯一真相源变成结构化索引层，服务于查询和统计。
从CRUD到自然语言，不是技术的终点，是人机协作的新起点。
本文是对海龙老师文章的思考与延伸，感谢原文带来的启发。 原文
