大模型售后故障文本归一化与相似工单召回

工业售后场景里，同一类故障常被写成“异响大”“有点卡”“报E-31”等不同说法，关键词检索对同义、口语化描述召回不稳定，老师傅的经验也难以沉淀。本阶段实验的思路是：不让大模型直接下结论，而是先用它做故障描述归一化——把自由文本映射到受控词表中的现象、部位、工况三个槽位，与设备型号、批次等结构化字段组合后做混合检索（词法+向量），再由模型对候选工单做相关性重排，并强制输出引用工单号，便于人工核对。

要点一（进展）：在试点客户约1.2万条历史工单上，抽取300条做人工标注评测，Top5相似工单命中率较原有关键词检索提升约18个百分点；模型给出的处理建议中，约九成可追溯到具体历史工单。要点二（下一步）：把归一化过程中产生的新表述回流为受控词表候选，经维修与工艺人员审核后固化，并尝试用检索结果对新工单做相似故障自动聚类，观察能否减少重复排查。