大模型工单根因归类实验：从自由文本到故障标签

在《大模型应用实验室》，我们近期把注意力放在一件不新但很碎的事上：设备维修与售后工单的文本归因。现场工单多为师傅手写或口述转写，同一故障有十几种说法，很难直接进入故障统计与备件预测。

做法分三步。先以「设备部位—现象—疑似原因」三层标签体系约束模型输出，要求返回固定 JSON，字段缺失即判为无效；再对低频故障类别，用检索相似历史工单补充上下文，减少模型按字面硬归类；最后设置信度阈值分流，低置信样本转人工复核，不强行自动入库。

要点一：在 2.4 万条历史工单中清洗出约 1.7 万条有效样本，一级部位归类 top-1 准确率约 88%，现象层约 76%，人工复核占比约 22%；复核结果不丢弃，作为纠错集回流。

要点二（下一步）：把复核后的数据用于 7B 级小模型蒸馏，目标是在厂内服务器上完成批量离线归因，把单条推理成本压到可长期运行的水平，大模型只保留处理长尾故障与新增类别的角色。这一路径目前仍在验证，标签体系的粒度是否够用，是比模型选型更关键的变量。