基于大模型的设备维修知识问答实验

近期，大模型应用实验室围绕"设备维修知识问答"开展了一轮行业实验，探索大模型在工厂售后与维修场景的实际可用性。实验以某设备厂商的历史维修工单与设备说明书为语料，采用检索增强生成（RAG）架构：文档切片向量化后与大模型结合，并要求每条回答附带原文出处，便于维修人员核验。

· 进展：在300条真实维修问题测试集中，回答可用率由初版的71%提升至89%；引入"引用溯源+拒答机制"后，无依据回答（幻觉）比例降至3%以下。
· 发现：工单文本的非结构化程度是主要瓶颈，故障描述口语化、型号写法不统一，导致检索召回波动明显。下一步计划引入同义词归一化与工单字段抽取，并将实验扩展至电气与液压两类故障域。

我们的判断是：大模型在垂直维修知识场景的价值，不在于"生成答案"，而在于"快速定位依据"。先做检索质量，再谈生成质量，是这类项目更稳妥的落地路径。