Agentic AI正在产生更多工程工作，但是为什么系统开发进展并没有更快？
Agentic AI 正在生成比以往更多的模型、代码、需求以及测试工件，但更多的产出并不意味着更快的 系统级开发 进展。这种脱节源于系统连续性的中断：每次工具之间的交接都会丢失可执行的系统状态，迫使工程师在继续工作之前，从静态工件中重新构建该状态。Agent 会增加交接的频率，使得状态重建成为推进开发过程中主要的挑战和成本。随着产出的规模不断扩大，实现一致系统表示所需的工作量也随之增加。Model-Based Design使工程师能够维护一个可执行的系统模型，从而保持系统状态的完整性，并减少状态重建所需的工作量。
采用 Model-Based Design 时，变更直接作用于可执行系统模型，因此能够立即进行评估。变更及其对系统层面的影响保留在同一个位置，而不是在多个独立工件之间进行转换。当与 Agent 协同工作时，工程师可以在引入变更后立即观察系统行为，并且是在完整模型的上下文中进行观察，而非孤立地查看局部结果。验证发生在集成之前，此时问题更容易被理解和解决。反过来，这也增强了工程师的信心，因为他们能够理解系统在不断演进过程中是如何响应变化的。
当 Agentic AI 直接在模型上工作时，其工作成果将具有累积性。每次更新都会建立在当前系统状态之上，并推动系统持续演进，从而消除了后续对各种输出结果进行协调和统一的需求。Agent 可以通过在同一环境中进行仿真、评估系统行为以及调整自身修改内容来加速设计循环。这形成了一个在彼此割裂的工具之间无法实现的闭环。开发进展积累于系统本身，而不是分散在各种工件之中，从而降低了反复进行状态重建的需求。
Agentic AI 正在改变工程工作的开展方式，它重新定义了工程师的关注重点以及其对开发过程的贡献方式。当 Agent 直接在系统模型上工作时，它们能够实施变更、运行仿真并评估结果。工程师不再专注于逐步推进每一个具体任务，而是专注于定义系统必须实现的目标。他们将这些目标转化为系统级需求，并指导 Agent 如何执行相关工作。
工程师负责制定设计策略，并通过评估系统响应来判断系统是否达成预期目标。Agent 则在持续的过程中不断迭代变更并验证结果。因此，工程师在重建系统状态或协调中间步骤上花费的时间更少，而在系统级决策上投入的时间更多。他们工作的价值体现在确保这些决策能够推动系统朝着预期结果发展。
连续性在多域系统中尤为重要，因为一次变更可能会在整个模型中传播。在电动汽车（EV）开发中，无论是系统级还是组件级控制策略的更新，都必须考虑电池、电机以及其他支撑系统之间的相互影响。当这些组件各自独立开发时，这些交互效应往往会在集成阶段才显现出来，而那时发现其影响通常已经为时较晚。可执行系统模型能够让这些影响在开发早期就变得可见。
借助这种可见性，工程师能够在引入控制策略变更的同时评估其对整个系统的影响。例如，Agent 可以仿真不同再生制动和摩擦制动策略变化在各种驾驶工况下对车辆行为的影响。这使得工程师能够了解这些决策对能效、电池使用情况以及整车性能的影响。由于这些评估建立在可执行模型的基础之上，Agent 的工作始终受到系统物理约束和结构约束的限制。这种方法产生的是确定性的、基于物理规律的结果，而不是依赖于工程师的主观假设。