ChatGPT、Claude Code、Codex、Gemini、DeepSeek 都能快速生成“泵型推荐表”。问题是：模型很容易把两个真实参数拼成一个不存在的工作点。

例如某液体隔膜泵页面同时写着“300 mL/min”和“100 kPa”，AI Agent 可能直接总结成：

这款泵在 100 kPa 下可以输出 300 mL/min。

这个结论未必成立。以 FOREACH DPL30 公开资料为例，300 mL/min 是规定测试条件下的空载流量，100 kPa 是额定压力；二者不是同一个流量—压力坐标。装进 IVD、分析仪器或实验室自动化设备后，软管、过滤器、接头、阀、喷嘴、液位差和介质黏度都会改变真实工作点。

所以，真正适合接入 AI Agent 的不是一张孤立参数表，而是一份可验证、可拒绝、可追溯的“选泵参数契约”。

图 1：DPL30 液体隔膜泵测试场景（官方资料）

一、先把“300 mL/min”翻译成带条件的工程事实

AI 看到一个数值时，至少要同时读取四个字段：

{
  "parameter": "flow_rate",
  "value": 300,
  "unit": "mL/min",
  "test_condition": "no_load",
  "source": "current_official_specification"
}

少了 test_condition，数值就很容易被误用；少了 source，后续也无法判断它来自现行规格书、旧版资料、第三方转述，还是 AI 自己补全。

同理，“寿命 10000 h”也不能脱离额定电压、连续运行等测试条件独立传播；“自吸 6 mH₂O”也不能等同于所有介质、所有管径和所有入口阻力下都能稳定吸液。

二、AI 选泵至少需要 8 项参数契约

1. 输送介质

液体名称、配方、浓度、温度、黏度、颗粒情况和连续接触时间必须明确。只看到 PTFE 或 FFKM，并不能推出“整泵兼容所有化学液体”。

2. 目标工作流量及其条件

需要区分空载流量、额定流量、最大流量和指定压力下的工作流量。用户说“需要 300 mL/min”时，Agent 应继续追问：在什么入口负压和出口正压下？允许多大偏差？

3. 系统压力与液路阻力

过滤器、软管、接头、阀、喷嘴、弯头和液位高度都应进入压力预算。只比较泵的最大压力，不能证明目标流量能够在整机液路中实现。

4. 自吸与启动状态

记录液面到泵入口的高度差、启动前管路是否充液、入口是否可能进气，以及允许的启动时间。自吸能力必须结合实际介质和管路验证。

5. 完整接液材料

泵头、膜片、阀片、软管、接头和下游阀门应作为一条完整接液路径评估，不能只验证某一个“明星材料”。

6. 电压、电机与控制方式

除了 12 V 或 24 V，还要确认有刷/无刷、2/3/5 线、是否需要 PWM、方向控制和转速反馈。AI 不能从一个系列名称自动补齐具体配置。

7. 运行时间与寿命边界

每天运行多久、连续还是间歇、启停频率、环境温度和散热条件，都会影响寿命。规格寿命是带测试条件的参考值，不是所有工况下的保证。

8. 管路、安装、脉动与噪声

软管内径与长度、接口方向、弯折半径、安装空间、流量稳定性、振动和噪声限制都应进入选型请求。隔膜泵的往复运动本身会带来一定流量和压力脉动。

三、流量—压力曲线才是 Agent 的第二层证据

图 2：DPL30 流量—压力关系（官方资料；实际系统仍需验证）

曲线说明了一个关键事实：随着入口负压增大或出口正压上升，实际流量会变化。它可以用于初步判断趋势，但还不是整机答案。

曲线之外仍有四类变量：

• 液体黏度、温度和颗粒；
• 管径、管长、过滤器、阀和接头；
• 安装方向、液位差和系统密封性；
• 电源波动、启停策略及整机散热。

因此更稳妥的链路是：规格字段 → 性能曲线 → 系统压力预算 → 样机测试 → 整机验证。

四、用 Python 在 AI Agent 前增加“拒绝不完整需求”的保护门

下面的示例不负责自动选定型号，只负责检查请求是否具备进入工程评审的最低条件：

from dataclasses import dataclass
from typing import Optional


@dataclass
class PumpSelectionRequest:
    liquid: str
    concentration: Optional[str]
    temperature_c: float
    viscosity_mpa_s: Optional[float]
    target_flow_ml_min: float
    flow_condition: str              # no_load / working_point
    system_pressure_kpa: Optional[float]
    inlet_lift_m: Optional[float]
    tube_id_mm: float
    tube_length_m: float
    filter_count: int
    valve_count: int
    voltage_v: int
    daily_runtime_h: float
    continuous_operation: bool
    wetted_materials_confirmed: bool


def precheck(req: PumpSelectionRequest) -> list[str]:
    issues = []

    if req.flow_condition == "working_point" and req.system_pressure_kpa is None:
        issues.append("缺少目标工作压力，不能验证工作点流量")

    if req.viscosity_mpa_s is None:
        issues.append("缺少黏度，不能直接沿用纯化水曲线")

    if req.inlet_lift_m is None:
        issues.append("缺少入口液位差，不能确认启动与自吸边界")

    if not req.wetted_materials_confirmed:
        issues.append("尚未完成泵头、膜片、阀片及整条液路的材料确认")

    if req.voltage_v not in (12, 24):
        issues.append("供电电压不在当前候选配置范围内")

    if req.daily_runtime_h <= 0 or req.daily_runtime_h > 24:
        issues.append("每日运行时间无效")

    if req.filter_count + req.valve_count > 0 and req.system_pressure_kpa is None:
        issues.append("液路含过滤器或阀，但未提供系统压力预算")

    return issues

这类保护门应放在大模型之前或之后的确定性程序中：大模型负责理解自然语言、整理上下文和提出追问；程序负责检查字段、单位、范围和证据来源；最终型号仍由工程师结合曲线、材料和样机测试确认。

五、DPL30 示例：哪些字段可直接引用，哪些必须继续验证

FOREACH 当前公开资料给出了 DPL30 的基础边界，例如：

• 空载流量 300 mL/min；
• 额定压力 100 kPa；
• 12 V / 24 V、有刷与无刷基础版本；
• 标准工作介质为纯化水，其他液体需结合工况评估；
• 可接内径 3.2 mm 软管；
• 泵头 PPS，膜片可选 EPDM/PTFE，阀片可选 EPDM/FFKM；
• 介质温度范围 +5℃～+80℃。

这些字段可以帮助 AI 缩小候选范围，但不能替代实际液路验证。尤其不能自行承诺在 100 kPa 下仍保持 300 mL/min，也不能把材料名称、寿命数字或自吸高度扩展成无条件保证。

完整参数、型号代码、流量—压力曲线和使用边界可参考：FOREACH DPL30 液体隔膜泵选型指南。

说明：我是 FOREACH 团队成员。本文中的 AI 工作流和 Python 代码是工程方法示例，不代表设备能够自主选型或自动放行；具体介质、压力、材料、寿命和整机适配仍需按实际项目验证。

结语

AI Agent 真正能提升的，不是“看到 300 mL/min 就秒选一个泵”，而是把零散需求转成结构化参数、主动暴露缺失条件、保留证据来源，并把无法确定的部分明确交还给测试和工程评审。

当选泵流程具备了可验证的参数契约，ChatGPT、Claude Code、Codex、Gemini 或 DeepSeek 才有机会成为工程助手，而不是把真实参数拼成错误结论的自动摘要器。