先间接地考虑，我们可以如何通过总结，达成与人工智能知识架构的路径对照？
大白话就是，AI凭借其存储算力记得住，相比之下，我们可以怎样分析相关的做法，总结得出一个更显然的“知识寻找方法”，
麻烦话就是，怎么用抽象的方式描述一个供应向的事物的发展规律记忆方法？
1-各个学科对相似的概念具有不少相似的命名，这我们从数学的代数和几何能对应就可见一斑：
诸如统计领域“正态分布”-生物领域遗传算法群体特性-经济供需关系曲线
它们都在描述如何将“列举数据”以“容器内的记录几何”做推测。
因此这个方式也可以继续被用。
为了标记，我们把这种“总结各个学科中相同行动的目的”的元行动起名为“等势关键词搜索”。
2-大量的基础连接，基础起名，键值对等数据类型一致但其属性，上下文的准许度，适用类型的元知识，堆积成了可供使用，其使用是良拟序的（指能被发现其可建设性的速度的量级是估计的）
近似于货币和区块一样的知识库。
对这些知识的访问和理解方式，展现策略就形成的知识利用的工作。
随着知识范围和指针容器涉及实际行动抽象或具体范围的增加，知识或资源的“准备”，“活动范围”和“可变可提醒行动策略”等实时/实例知识起到更大比重。
也就形成了知识和资源的迁移，应用的准备性资源优劣评价。
本质上，这使得资源和地位可以以量化的方式被评价为某个工序中的环节，使得“专业技术工作”或“资源经济管理”等工作方向，可以被以基础的资源供应模型进行分类。在更加明显的模型化下，教学成本的本质可以达到“仅需清晰地讲解局部知识模型”，“仅需必要的资源知识”，“仅需最本质实时清晰的访问工具”
三个方向的降低，可以允许职岗位的本质接近变为“确率技能”“简化设备”“材料”“方案”“环境”“测度”资源供应和组织之本质，
实现更为典型的许可性和组织性工作，接近在理论上的合作与共产效率，使得知识专家可以被解放为方案顾问和优化（科研）与领域语言设计工作者（工程）两个本质工作方向。
在一个尤其是信息向的任务下，总会遇到“需要起名，需要沟通，需要总结统计”类任务，这类任务就是“要素发现和提取，以及上下文和信息公开”任务，包括上述要素的供应，传递，发布等任务，这类任务称为“工程”，需要的是业务性质的整理与总结。
在一个经过上述过程中的任务中，总有部分任务是需要明确“内部有什么，为何如此理解”的管线设计性质任务。这一任务逐渐向“解码，利用已有知识模板产生对未知的探测，对组合，比例与实际的发掘发现”转化。对于这些组合，人们需要做出足够的实验，寻找其组合的更多机会，目的是将指定的指标“优化”或“可以如何选择”的设计空间知识总结出来，形成经验。这类任务称为“前段研究”或“助理”，需要的是解码，对现象的采集，初加工，利用工具实现任务的要求弱化，教程资源和知识的易传递。
在接下来的任务中，人们通过更明显的操作发现已有的组合并在有限的资源内得到相对更好的固定方案，这一过程称作“研发”或“创作”。指的是发现性或提出可供发现和组成的工艺流程或一种涉及制度的行动策略。这类任务称为“后段研究”和“架构”，提出和发现足够有可关注的方向和组合。
其中过程会产生，相对无须专家性研发所能得到的广义产品性元素，如初步供应品化的资源，工具，环境，材料。
该过程将提供“工程”所能重新分配向生产的资源，甚至
或待完成的特殊岗位活动。