设备维修知识问答实验：大模型与RAG落地

大模型在工业场景落地的难点，往往不在模型本身，而在企业私有知识的组织方式。本实验室近期以某装备制造企业的设备维修场景为试点，开展了基于检索增强生成（RAG）的维修知识问答实验。实验将近三年的维修工单、设备手册与资深技师的经验笔记整理为结构化语料，经清洗、切片后建立向量索引，由大模型结合检索结果作答，以约束自由生成带来的幻觉。
阶段性观察：
· 在200条测试问题中，检索命中时的回答准确率约86%，证据不足时模型主动拒答的比例提升至七成以上，“编造参数”类误答明显减少；
· 语料质量比模型规模更关键：仅清理口语化、互相矛盾的历史记录，同一模型的回答可用率即有明显提升。
下一步将引入维修人员评分作为反馈闭环，回流至语料库并定期重建索引，验证知识库持续迭代机制能否长期稳定回答质量。