西门子面临的痛点很直白：工业软件代码库动辄上亿行，一个系统跑十几年，传统 AI 助手连上下文都塞不下，更别说理解那些散落在代码、Jira、Confluence 甚至老 PDF 里的业务逻辑了。这不是改个网页这么简单，修改一行代码可能影响整个产线，标准 RAG 把代码当纯文本处理，丢掉了类、文件、模块之间的结构关系，结果根本没法用。

他们的解法是做了一个叫 Knowledge Fabric 的智能体系统，核心是用 Spanner Graph 构建知识图谱，把代码、文档、需求全打平成一张关系网。查询时同时跑三种方法：图查询（GQL）找精确依赖、向量搜索（ANN）搞语义匹配、全文搜索做兜底。最聪明的是他们把大任务拆成“切片”模式——搜索、写用户故事、评估影响、拆任务、最后才写代码，每个步骤由专门的 Agent 处理，人始终在回路里把关。

这个案例最大的启发不是技术多复杂，而是它证明了真正的工业级 AI 落地不需要一个全能的超级模型。把问题拆到足够小，给 Agent 足够的结构化上下文，哪怕是老旧的遗留代码也能高效改造。迁移控制面板这类任务，开发时间从几天变成几小时。这给所有想用 AI 改造核心系统的人提了个醒：别追求一次性搞定，先把你那团乱麻变成一张清晰的图。