RSI-AIT：航空航天卫星智能总装集成检测自进化微调方案

概述

本方案将 RSI（Recursive Self-Improvement，递归自我改进） 方法论深度嫁接到 航空航天卫星AIT（Assembly, Integration, Testing — 总装、集成、检测） 领域，构建一套让大模型在卫星总装集成检测领域持续自进化至专家水平的微调框架。

方法论来源：Evolvent AI & NUS 发布的 RSIBench-Data 框架（论文：arxiv.org/abs/2607.25886），以及 Kimi 训练 Kimi 的早期 RSI 探索实验。

领域背景：航天科技八院812所、509所等单位正在推进卫星批产智能化——AGV协同总装、自动精测、多星测试模式创新、AI赋能综合测试，亟需大模型在AIT全链条提供专家级智能支撑。

核心架构（三层一体）

┌─────────────────────────────────────────────────────────┐
│                  赋能部署层 (Empowerment)                  │
│  人机协同 · 边缘推理 · 现场数据回流 · 持续进化             │
├─────────────────────────────────────────────────────────┤
│              RSI自进化闭环层 (Evolution Loop)              │
│  Diagnose → Hypothesize → Design → Train → Validate       │
│              → Preserve → 迭代                            │
├─────────────────────────────────────────────────────────┤
│            领域知识底座层 (Knowledge Foundation)            │
│  AIT本体论 · 工艺规程 · 测试大纲 · ICD · 故障案例库        │
│  · 遥测规范 · GJB标准体系                                 │
└─────────────────────────────────────────────────────────┘

与通用RSI的关键差异

强轨迹四原则（RSI核心 × AIT适配）

1. Diagnose（诊断）：在AIT-Bench上精确定位模型能力缺口——是总装工序逻辑错误、接口检查遗漏、测试覆盖不足，还是故障根因分析偏差？
2. Validate（验证）：将可执行、可判定的验证信号嵌入训练数据——工艺步骤可仿真执行、测试用例可自动运行、接口检查有确定性判定标准。
3. Align（对齐）：训练监督与最终AIT行为对齐——数据格式须匹配真实AIT工具链调用方式，而非仅内容正确。
4. Preserve（保留）：显式保留历史最佳checkpoint，设定停止/回滚策略——航天领域不容许回归退步。

详细章节导航

快速上手

最小可行闭环（MVP）

1. 收集 50 个真实 AIT 场景任务作为 seed tasks
2. 构建 AIT-Bench-Lite（6类×10题=60题）
3. 选定基础模型（如 Qwen3.5-35B-A3B-Base）
4. Agent 驱动首轮数据生成 → LoRA SFT → 选择性评测
5. 根据 Diagnose 结果迭代 3-5 轮
6. 最佳 checkpoint 进入 official evaluation

关键约束

• 固定变量：基础模型、训练后端、评测沙箱、评分器在每组实验中不可变
• 预算合同：建议首轮 16 小时 / $500 训练预算
• 隔离原则：训练、推理、评测与 Agent 决策边界严格物理隔离
• 安全底线：所有输出须经合规性审查层校验，禁止生成违反GJB/航天安全规程的内容