大模型维修知识问答：车间场景RAG实践

工业现场的维修知识长期散落在设备手册、历史工单与资深技师的个人经验中，传统关键词检索难以应对口语化提问。本实验室近期在某机加工车间试点基于大模型的维修知识问答系统，采用检索增强生成（RAG）架构，将设备手册、故障案例与近三年维修工单向量化后统一索引，模型仅基于检索到的片段作答并标注出处。阶段性进展：1. 知识库覆盖12类主力设备、约4600份文档，在200条真实提问的内部评测中，回答可用率约82%，显著高于原关键词检索方式的47%；2. 针对型号混淆与内容编造问题，引入设备编号强制过滤与引用溯源机制，无依据回答占比由15%降至4%以内。下一步将与维修班组开展六周真实场景试用，重点观察夜班应急查询与新人培训两类场景，并据此调整文档切片粒度与检索排序策略。我们保持务实预期：大模型在此场景的价值在于降低知识获取门槛、沉淀组织经验，而非替代维修人员的现场判断。