AI维修工单语义归因：大模型抽取与知识回溯

设备维修工单是工厂里最容易被浪费的一类数据：文本口语化、字段残缺、同一故障在不同班组的写法各不相同，导致历史经验很难被检索复用。本实验尝试用大模型把这类非结构化记录转成可检索的知识资产。

方法上分三步：第一步做字段抽取，从故障描述中识别设备、部位、现象、处置动作与停机时长，落到结构化标签；第二步做同类工单聚合，以「现象—根因—处置」三段式生成知识卡片，并保留原始工单号；第三步做检索增强问答，一线人员用口语提问，返回候选卡片与历史工单链接，答案必须带出处。

要点：
· 阶段进展：在某离散制造客户的约 8000 条历史工单上完成抽取与建库，抽检 300 条中部位与现象字段可用率约九成，检索首条命中率较关键词搜索有明显提升。
· 边界与下一步：模型只做候选排序，不输出根因结论，最终判定仍由维修工程师确认；下一步接入点检记录与备件消耗数据，验证多故障并发与长文本口语描述场景下的稳定性。