标签收进体系之后挖掘的第一个大规模消费方登场——规则挖掘引擎。它的定位很明确挖掘漏斗的第一层过滤器。业界做 corner case 挖掘的主流范式是「规则先验粗筛 模型不确定性细筛」两级漏斗先用低成本的规则从海量数据里圈出候选再让昂贵的模型去精挑。华为 ADS 的数据闭环同样以规则挖掘作为第一层过滤器控制下游算力开销。本篇拆解这套引擎的三件事规则怎么定义规则即数据、规则有哪六大种类附真实示例、规则怎么跑批流双模执行链路。一、规则即数据配置也是湖仓资产第一个设计决策是「规则即数据」规则配置存在挖掘平台的 MySQL经 Flink CDC 实时同步入湖ods_mining_rule_config。规则不是散落在代码里的 if-else而是与业务数据一样可查询、可追溯、可审计的湖仓资产——谁在什么时候改了什么规则一查便知。规则的表达与管理能力双模式表达SQL 条件 可视化配置——工程师写 SQL业务同学拖配置产出的规则等价可组合标签、GPS 范围、时间、传感器信号、模型输出等多类条件全生命周期管理创建 / 修改 / 禁用 / 优先级 / 版本变更全程留痕优先级驱动下游rule_priority 不只是排序字段——它直接决定 Embedding 与存储分级高优先级规则命中的数据优先进入向量化队列与前面讲的成本分级打通执行追溯每次执行记录执行时间、扫描范围、命中数量、写入标签量回写 dwd_mining_task_detail——规则的效果可度量而不是配完就黑盒。二、六大种类真实规则长什么样规则按条件来源分六大种类覆盖从静态标签到实时信号的完整谱系。挑几条代表性的看规则种类示例条件与执行标签组合雨天高速 / 夜间雾天采集标签多字段 AND 组合T1 批时空地理城市行人场景 / 通勤高峰GPS 围栏 视角 时间段组合T1 批车辆信号急减速 / 急变道CAN 减速度 -4m/s² 持续 ≥ 0.5s 等准实时模型输出AEB 触发 / 行人险肇模型信号直接引用T1 批或准实时事件触发驾驶员接管消费回传触发事件流含前 15 后 5 秒窗口准实时多条件复合夜间雨天急刹标签 信号多条件叠加T1 批注意两个设计细节所有命中统一经标签服务打标携带 rule_id 血缘——规则挖掘的产出自动继承上篇讲的字典映射、去重与审核体系不需要规则引擎自建一套标签写入逻辑执行模式跟着条件来源走——静态标签与时空条件走 T1 批车辆信号与事件流走准实时不是一刀切。三、批流双模执行与调度链路执行链路一图看懂规则配置经 CDC 入湖后分两条腿跑命中结果汇合T1 批处理Spark SQL 直接在 Paimon 表上执行亿级以下数据 4 小时内跑完复杂规则挂自定义 UDF表达力不受限准实时流事件类规则以 Flink 消费触发事件流近实时打标——接管、AEB 这类事件不用等第二天增量扫描基于 _ingest_time / update_time 水位做增量避免每次全表回扫——规则天天跑成本不爆炸的关键结果双写命中结果一律经统一标签服务写入标签表完成字典映射与去重同时写 dwd_mining_result_detail 供回补闭环消费。链路里还有一条隐藏的联动事件命中会异步触发补抽帧——这正是前面抽帧篇讲的「事件抽帧依赖规则结果」的闭环规则识别出接管事件事件抽帧引擎立刻回头对前 15 后 5 秒窗口加密采样两个引擎经湖仓表解耦协作谁也不阻塞谁。四、规则挖到了然后呢把规则挖掘放回全景看它的价值在漏斗位置规则先验粗筛 → 模型不确定性细筛 → 检索相似性扩散。规则引擎以几乎为零的边际成本扫完全量元数据把「疑似高价值」的候选圈出来VLM 推理再对候选里信息密度最高的帧做语义确认下篇讲语义检索最后把相似场景扩散成完整数据集。三级之后才轮到昂贵的训练集构建。 本篇要点回顾① 规则即数据——配置经 CDC 入湖可追溯可审计② 六大种类规则覆盖标签组合到实时信号命中统一经标签服务打标③ 批流双模T1 Spark SQL 扫存量、Flink 准实时接事件水位增量防全表回扫④ 规则是第一层过滤器与模型细筛、检索扩散组成三级漏斗。规则引擎再强也有够不着的地方「施工区锥桶摆放混乱」「行人撑着花伞」这类语义级场景结构化条件写不出来——这正是大模型推理挖掘的领地。下篇讲 VLM 推理引擎选帧打分、双输出标签 caption、Ray GPU 调度与断点续跑长尾场景的标签它来补。