AI售后工单归因定制：故障树与大模型推理

在设备售后场景，维修工单既有结构化字段，也夹杂大量口语化描述，人工归类耗时且口径不一。本期实验把大模型接在既有故障树之后：先由规则与关键词抽取机型、部件、报警码，形成约束槽位；再由大模型对自由文本做归因，输出「部件—失效模式—可能原因」三元组，并沿故障树节点回溯校验，挂不上既有节点的样本进入待评审池，由工程师确认后再补充树结构。

要点：

• 进展：在某类数控设备约 1.2 万条历史工单上离线评测，三元组中部件与失效模式的抽取准确率分别为 92% 与 85%，单条归类时间由平均 6 分钟降至 1 分钟以内；主要错误集中在多故障并发与口语指代。
• 下一步：将评审结果回流为少量示例做检索增强，验证新机型冷启动时精度是否稳定，并同步评估单条推理成本。