售后工单是典型的“脏文本”：现场口语、缩写、故障码与部件俗称混写，同一故障有多种表述。传统关键词规则归类在一级根因上长期停在六成左右，且新机型上线后规则需反复人工补充。
我们的做法是把任务拆成两步：先用大模型做结构化抽取，输出故障现象、涉及部件、故障码、处置动作四个字段，并要求每个字段附带原文片段引用；再用领域词典与编码表把抽取结果对齐到标准故障分类树。置信度低的工单不强行归类，直接进入人工复核队列，复核结果回流为小样本微调集，形成“抽取—对齐—复核—再训练”的闭环。
进展与约束：
- 在某产线设备售后场景回测约 1.2 万条历史工单，一级根因归类准确率由规则基线约 61% 提升至 84%，故障码对齐 F1 约 0.89，单条工单可追溯到原文证据。
- 模型不生成原文未出现的故障码，也不输出维修建议，只做归类与证据呈现；采用离线批量推理与摘要缓存，日均 3000 条可在夜间窗口跑完。
下一步：把归类结果接入备件预测与质量反馈环节，观察重复故障率与备件呆滞率是否同步改善，并验证跨机型迁移时的标注成本。
评论