设备售后工单往往由一线人员随手记录，信息残缺、术语不统一，直接交给大模型做故障归类，容易在证据不足时给出看似合理的错误结论。本实验室近期的实验方向，是把大模型放在「问诊」而不是「判案」的位置上：先补齐信息，再给候选结论。
具体做法分四步。以历史工单（文本＋故障码＋实际更换件）构建检索底座；模型读入当前描述后，先输出仍需向客户确认的 1～3 个信息槽，例如报警代码、故障发生时工况、异响部位；信息回填后再做检索增强，给出候选故障、相似工单编号与备件建议，每条结论都要求可溯源到具体工单。
进展与数据：在某机床设备厂商的约 2000 条历史工单上做离线回放，Top-3 故障候选命中率约七成八，追问环节把单张工单的平均信息缺口从 2.6 项降到 0.9 项；当检索证据低于阈值时，模型改为输出转人工提示，这类样本占比约一成五。
下一步计划：接入备件库存与到货周期，把候选结论推进到可执行的处置建议；同时细化拒答阈值，按故障类型分别标定，避免「宁可猜错也不转人工」。
· 要点一：模型定位为信息补全与候选生成，不做最终判定。
· 要点二：所有结论强制带工单溯源，证据不足时转人工。
评论