设备维修AI问答助手定制：从手册到现场排故

工厂设备维修长期依赖老师傅经验：手册分散、故障案例散落在聊天记录和纸质工单里，新人上手慢，夜班故障响应更慢。设备维修AI问答助手定制的核心，是把这类非结构化经验变成可检索、可追问的知识服务。 落地通常分三步：先梳理资料来源，包括设备手册、电气图纸、历史维修工单和点检记录，清洗后按设备型号与故障类型建索引；再选型搭建，一般采用开源大模型加向量检索的组合，数据不出厂内网，问答时先检索相关段落再生成答案；最后用真实工单评测，重点看故障定位建议准确率与答非所问比例，未达标的问答对回流补充知识库。 实践中两点最影响效果： 1. 工单里的口语化描述要人工整理同义词，例如“压机不掉料”对应“取件机构未动作”，否则检索命中率上不去； 2. 答案必须附原始出处，维修人员可点开工单或图纸原文核对，避免模型幻觉误导现场操作。 某汽车零部件工厂上线三个月后，常见故障平均定位时间从约40分钟缩短到15分钟，夜班自主解决率明显提升。这类项目软件投入不大，真正的成本在知识库整理与持续维护，建议把“谁维修、谁录入”写进日常流程。