设备维修大模型问答：RAG检索增强实验

大模型在工业场景落地时，通用模型对设备专有名词与故障代码的理解有限，直接问答容易产生幻觉。本实验室近期以某注塑车间的设备手册、维修工单与故障代码表为知识库，开展了一轮检索增强生成（RAG）问答实验，重点验证回答准确率与可控性。阶段性要点：1. 采用“故障代码精确匹配+语义向量检索”双路召回策略，代码类问题强制走结构化匹配并返回手册原文，开放性问题走向量检索取Top5片段交由模型归纳。对比纯向量检索，故障代码类问题的回答准确率由约62%提升至91%。2. 在提示词中约束模型仅依据检索片段作答，无依据时明确回复“手册未覆盖”。拒答率升至约8%，但虚构参数与编造处置步骤的情况显著减少，回答可追溯性明显改善。下一步计划：引入历史维修工单扩充语料，覆盖更多长尾故障场景；同时测试小参数量开源模型在本地化部署下的问答效果，评估私有化落地的成本与可行性。