设计公司手里的项目历史，大部分是睡着的。二十年攒下的 RFI、报审、协调问题记录、往来邮件，散在文档系统、变更追踪表和聊天工具里。要回答一个最普通的管理问题——这个顾问的 RFI 平均几天关闭——通常得有人停下手上的活，去拼一张表。
10 月 21 日，Newforma 宣布收购多伦多的 Lumi AI，交易金额未披露。这家公司做的是把自然语言问题变成可以追溯来源的答案。按照 Newforma 的说法，Lumi 的引擎会被接进它的平台，先服务那些答案能被核对的项目流程，再往外扩。
一、买的是问法，不是模型
Lumi 成立于 2023 年，创始人是 Ibrahim Ashqar 和 Tudor Boiangiu，此前主要服务大型企业的数据问答场景，客户来自零售、库存、采购这类有大量结构化记录的行业。收购后，Boiangiu 出任 Newforma 的 AI 工程副总裁，团队留在多伦多继续开发，据 Construction Dive 报道没有裁员。Ashqar 则退出经营。
他对退出时点的解释值得记一笔：五月底决定卖，原因是持续跟上 AI 的迭代节奏需要大量新增资本，自己融不到那个量级。这句话点出了一个现实——在这一轮里，把大模型接到企业数据上做出稳定产品，钱主要花在模型之外的工程上，而不是模型本身。
整合路径也写得比较清楚：先并入 Newforma 平台，用其二十年积累的项目数据结构做上下文；再扩展 Vojo，也就是 Newforma 今年五月在 Newforma World 上发布的那个助手，规划中的能力是自然语言检索和跨项目查询；最后由 Lumi 提供分析层，把问题变成 Newforma Konekt 仪表盘里可核的答案。
二、三条合格线，第三条最硬
Newforma 这次罕见地把「好」写成了可被检验的条件：答案必须可解释，推理过程要看得见；必须能回到原始数据核对；必须准确到足以据此采取行动，因为在活跃项目上，一个决定带着责任。公司 CEO Peter Cannone 的话说得很不客气：客户不需要一个听起来很自信的 AI，需要的是能核实的答案。
Lumi 引擎围绕这三条做的三件事
- 问题模糊时先反问。工程问题天然缺参数——哪个项目、哪个专业、哪段时间、按谁的日历算。单次检索直接给答案，多半是在补猜。
- 把推理过程摆出来。答案旁边要有取数路径，人能顺着看它是怎么算出来的。
- 主动报数据质量问题。发现字段缺失、状态矛盾时先说，而不是拿脏数据算出一个漂亮结论。
第三条「准确到能据此行动」，是这三条里唯一带法律含义的。可解释和可核是技术属性，能不能据此行动是责任属性。工程上的判断会进入验收、付款、索赔，答案错了不是推荐不准，而是钱和责任的分配错了。所以这条线一旦写进产品目标，就意味着系统必须留下痕迹：谁问的、依据哪一版、什么时候。
三、三个具体场景和一组不太好看的数字
官方给的 Konekt 场景很具体：哪个顾问在拖慢 RFI 的周转；当前项目的问题模式，和过去某个出过事的项目是否相似；报审周期是不是正在偏离这家公司自己的基线。这三个问题过去都能答，但都要有人专门做表，所以实际上很少有人问。
规模上的口径是：Newforma 覆盖两千万个以上项目、四千五百万用户，历史上处理过2400 万次文件传输、六百万份报审、十亿封邮件。这些数字来自公司新闻稿的标准段落，属于自我陈述，本文按原口径引用。
更能说明问题的是 Lumi 创始人在另一次采访里讲的一段话。他说去拜访潜在客户时会拿一篇 Anthropic 的文章举例：把 Claude 直接接到企业数据上，准确率是 21%；要建一整套外围脚手架——提示、指令、文档、约束——才能做到 95% 以上；而这套脚手架如果一个月没人维护，会掉回 65%。他由此提出那个问题：你有资源、有能力、有时间和钱去建并维护这套脚手架，还是宁愿买一套现成的？
这组数字不是 AEC 场景的实测，但把行业里最少被讨论的成本摆上了台面：准确率不是买断的，是月供的。语义层、字段映射、口径定义这些不性感的东西，一旦停止维护就会退化。谁承担这份维护，决定了这类产品三年后还在不在。
四、语义层到底在做什么
把「这个顾问的 RFI 平均几天关」变成一次查询，中间有三件苦活。
第一件是实体对齐。同一条 RFI 在邮件线程里有一个编号，在变更追踪表里有另一行记录，在 Konekt 里又有一个对象 ID，在会议纪要里可能只剩一句话描述。语义层要做的，是判断这四处说的是不是同一件事。这一步做不干净，后面所有统计都是错的。
第二件是口径统一。「关闭」是指答复发出、还是指提出方确认、还是指变更单签发？不同公司、不同项目、不同顾问给的答案都不一样。语义层必须把「逾期」「关闭」「答复」这些词固定成可计算的定义，否则跨项目对比毫无意义。
第三件是关系建模。Newforma 特意强调了一句：RFI 不是普通工单，报审周期有它的形状，协调问题有具体所指。这句话的技术含义是，它把行业对象的结构写进了数据模型，而不是把一切压平成「单据」。
| 环节 | 普通问答助手 | 带语义层与可核要求 |
|---|---|---|
| 问题模糊时 | 直接给一个像样的答案 | 先反问：哪个项目、哪段时间 |
| 数据来源 | 检索到的若干片段 | 结构化的项目记录，按对象关系取数 |
| 答案形态 | 一段结论 | 结论加取数路径，可回查原始条目 |
| 数据有问题时 | 照算，不提示 | 先报字段缺失或状态矛盾 |
| 成本结构 | 一次性接入 | 持续维护映射与口径 |
它的边界也很清楚：这套东西处理的是结构化记录，不读图纸几何，也不判断模型对不对。审图、算量、碰撞这些靠图形和计算的问题，是另一条技术线。把「能查记录」说成「懂工程」，是这类产品最容易越过的边界。
五、BIM 工程师能做的四件事
语义层要读你的字段，字段乱它就乱
- 构件命名与分类编码别中途换。从设计到施工换一套编码，等于把历史记录切断。语义层做实体对齐时，首先要问的就是「这是不是同一个东西」。
- RFI 关闭时写结论，并挂上构件或图幅 ID。只写「已答复」的 RFI，在跨专业查询里等于没有信息。挂上构件 ID，它才能被模型侧的问题引用。
- 报审登记表的字段要统一到能跨项目比。专业、版本、状态、提交日、答复日这几列如果各项目各写各的，任何基线对比都做不出来。
- 关键结论不要只留在邮件里。邮件能进索引，但结构最差，最容易被误判成同一条记录或彻底漏掉。结论进登记表，邮件只做往来凭据。
再补一条不做清单：不要为了喂给 AI 而临时补数据。语义层会把历史记录一起算进来，补出来的漂亮数据只会让基线和趋势一起失真。
六、这篇稿子要打折扣的地方
未披露项与口径矛盾
- 交易金额、整合时间表、价格结构均未披露，只有方向性描述。
- 用户规模存在口径矛盾：公司新闻稿称四千五百万用户，官网公司简介页面写的是五十万用户、一千五百家机构。差距近百倍，本文按新闻稿口径引用，但这个矛盾本身值得留意。
- 21%、95%、65% 三个数字是 Lumi 创始人对一篇 Anthropic 文章的转述，既非 AEC 场景，也没有公开的测试方法。
- Konekt 的三个场景是产品规划描述，尚无客户案例与量化结果。
- Lumi 明确不对非 Newforma 客户开放，这意味着这层能力与平台绑定，客户换平台的迁移成本会上升。
把它和前一天的动静放在一起看会更清楚。EarthCam 选择在提问之前先把图像分析做完，让通用助手直接读结论；Procore 把提问的入口从屏幕搬到语音和眼镜上；Newforma 买的是中间那一层，把二十年的项目记录变成可以问、可以核的东西（见本站今日另一篇）。三家分别在数据、入口、记录三处动手，方向一致：工程智能体要进决策，先得站在系统记录上。谁的系统记录更整齐，谁的智能体就更早可用——这件事最后落在建模规范、编号规则和登记表纪律上，落在 BIM 工程师的日常里。
资料来源：Newforma 官方新闻稿《Newforma Acquires Lumi AI and Sets Its Standard for AI Answers on Project Data》（PR Newswire，2026-10-21）；Construction Dive《Newforma acquires Lumi AI》（2026-10-21）；AgFunderNews《Lumi AI finds new home at Newforma as agentic analytics gathers pace》；Newforma 官网公司简介页。图片：Newforma 官方博客头图与 AEC 协作场景素材（厂商公开材料）。