实验室近期在装备制造企业的设备维修场景做了一组小样本实验：把三年积累的维修工单、点检记录与设备手册切片入库，用检索增强生成（RAG）替代原有的关键词搜索，让维修工用自然语言描述现场现象来定位历史相似故障。
实验的关键不在模型本身，而在三件事：一是工单切片要保留「现象—排查动作—结论」的结构，按故障现象而非按段落切分；二是检索结果必须带原文出处与工单编号，便于核实，避免模型自行补全；三是把设备型号、批次作为可过滤元数据，抑制跨型号误召回。
进展：首轮覆盖 6 类设备、约 1.2 万条工单，Top-5 召回命中率从关键词方案的 41% 提升到 68%，但单次查询平均耗时升至 3.2 秒，需要在向量预筛与缓存上继续优化。
下一步计划：建立故障现象的分层标签体系，在 3 个车间试点，跟踪 MTTR 与返修率变化，并把「引用是否被维修工采纳」作为质量信号回灌评测集。
评论