03RAG · 知识图谱 · 工业诊断
工业故障知识库与诊断 Agent
将复杂 A3/FTA 故障报告加工为可检索、可追溯、可沿因果链定位的知识系统，帮助工程师复用历史经验。
REAL PRODUCT · KNOWLEDGE GRAPH01
问题与角色
要解决的问题
故障知识分散在含复杂表格、图片和因果链的报告中；关键词搜索只能匹配字面，难以关联不同文档中的部件、原因、措施和验证结果。
我的职责
我负责文档接入、知识加工、混合检索、智能问答与效果评测的产品链路，推动 OCR、语义切片、实体关系抽取和图谱增强检索在故障诊断场景落地。
02
关键决策
比产出清单更重要的，是这些选择为何成立。
先解决文档结构，再讨论问答效果
- 问题
- A3/FTA 报告包含跨行表格、失效链和图片，直接切片会破坏因果关系。
- 选择
- 在向量化前增加 OCR、版面解析、语义切片和领域实体关系抽取，并保留来源位置。
- 结果
- 检索单元从碎片文本升级为带结构和来源的故障知识，可支持答案追溯。
向量检索与图谱检索并行
- 问题
- 纯向量检索擅长找相似描述，但难以沿部件—现象—原因—措施跨文档追踪。
- 选择
- 采用 LightRAG，将语义检索与实体关系检索融合，并针对局部、全局和混合模式建立测试。
- 结果
- 典型故障测试集有效召回率由 65% 提升至 90%，复杂案例的关联信息更完整。
把调参过程做成可对比产品
- 问题
- Top-K、上下文长度和 Rerank 策略依赖经验，团队难以复现不同配置的效果。
- 选择
- 搭建检索测试 WebUI，固定问题集并记录模式、参数、召回片段、回答和来源。
- 结果
- 不同策略可以在同一案例上并排验证，方案迭代从主观讨论转为证据比较。
03
产品链路
01文档接入
02OCR解析
03语义切片
04实体关系
05混合检索
06带来源回答
07评测迭代
链路中的每一步都有输入、产物和验收标准，使团队能定位问题并独立复现结果。
04
验证证据
PRODUCT DEMO · 03:39
工业故障知识库与诊断 Agent 产品演示
真实产品录屏，展示工业资料入库、切片配置、知识图谱、检索问答与知识比对等完整能力。建议全屏观看。
- 本地化 LightRAG 服务与可交互 WebUI
- 针对 A3/FTA 报告的知识加工流程
- 多检索模式、Top-K、上下文和 Rerank 参数实验
- 典型问题集、召回片段和答案来源对照
65%→90%有效召回率典型故障测试集
约-60%单次排查时间
4种检索模式对比
05
结果与复盘
结果
完成工业故障知识从文档入库、关系构建到诊断问答的闭环，典型场景有效召回率提升至 90%，单次排查时间缩短约 60%。
RAG 的核心不是接入一个聊天框，而是让文档结构、检索证据、回答来源和评测数据形成可持续迭代的知识产品。
公开说明
公开版本不包含原始故障报告、客户名称、设备编号和真实图谱；所有示例均基于合成设备与故障数据重建。