设备维修知识库RAG问答：大模型落地实验

大模型进入工业知识场景的常见瓶颈，不是模型能力，而是回答的准确性与可追溯性。本实验室近期围绕设备维修问答场景，开展基于检索增强生成（RAG）的阶段性实验。
实验将某装备制造企业的设备手册、点检记录与历史维修工单整理为语料，经切片、向量化与混合检索构建知识库，对比大模型直接回答与检索增强回答的效果差异。
阶段性结果：
· 故障排查类问题中，直接回答的定位准确率约54%，引入RAG后提升至82%，且答案附引用来源，便于维修人员核对原文；
· 混合检索（关键词+向量）较单一向量检索的召回率高出约15个百分点，对设备型号、故障代码等专有名词的提升尤为明显。
下一步计划扩充多机型语料，测试表格参数与图纸说明的解析效果，并评估小参数量本地模型的可行性，以平衡数据安全与推理成本。初步结论：RAG是大模型落地的务实路径，工程重心在语料治理而非模型本身。