设备手册大模型问答：检索增强与幻觉抑制实验

大模型在工业场景落地时，通用模型对设备型号、故障代码等专有术语掌握有限，直接问答易产生幻觉。本实验室近期围绕设备手册智能问答开展检索增强生成（RAG）方向实验，验证其在维修支持场景的可行性。

实验基于某装备制造企业的全套设备手册与近三年维修工单构建知识库，采用向量检索叠加关键词过滤的双路召回，并引入重排序模型提升相关性。阶段性结果如下：

• 在300条真实故障问题测试集上，引入重排序后检索命中率由71%提升至89%，回答可用率由62%提升至81%；
• 通过强制引用原文段落、拒答机制与术语归一化词典，幻觉类错误占比由14%降至3%以下。

实验同时暴露出扫描版PDF表格解析丢失严重的问题，约两成参数表仍需人工校对。下一步将引入版面识别模型优化文档解析流程，并尝试把工单处置记录转化为结构化故障知识，以提升长尾故障的覆盖能力。