近期实验室围绕设备维修场景开展大模型问答实验，目标是让一线技术员用自然语言快速查到设备手册、故障案例与历史维修记录中的有效信息，减少翻阅纸质资料与反复请教老师傅的时间成本。
实验采用检索增强生成（RAG）架构：将设备说明书、历史维修工单与故障案例切分入库，检索命中后由大模型生成答案，并强制附带原文出处，便于现场核对。
阶段性结果：
· 在某注塑车间约1200份历史工单与40余份设备手册上测试，答案可用率约78%，其中液压与温控类问题表现最好；
· 引用溯源机制上线后，幻觉类回答比例从17%降至4%以下，技术员对答案的采纳意愿明显提升。
当前主要问题有二：一是工单文本口语化严重、错别字多，影响切分与检索质量；二是跨设备型号的相似故障易混淆，需在检索阶段引入型号过滤。
下一步计划：引入大模型对原始工单做入库前清洗与结构化摘要，并测试按设备型号与故障部位的双重过滤检索，目标将答案可用率提升至85%以上。
评论