AI知识库问答

🏦 场景与客户

一家设备制造企业的售后服务部门，两百多名服务工程师分布在全国各地。客户现场出故障时，工程师要查设备手册、电气图纸、历史工单，经验足的老工程师凭记忆就能定位，新人只能打电话回总部问技术支持。总部每天被这类电话打断几十次，问题其实八成在手册里写得很清楚。

客户要的是把手册、图纸和老工程师的经验，变成工程师在客户现场拿手机就能问到的东西。

📅 实施节奏

• 第 1–2 周：盘点文档资产——说明书、图纸、维修手册、历史工单，先分清哪些还能用
• 第 3–4 周：做内容切分与元数据打标，按设备型号与故障现象归类
• 第 5–6 周：搭检索问答，强制带出处
• 第 7 周起：选一个大区试点，同步把工单闭环时的新经验补进库

🗝️ 方案要点

• 元数据优先于语义检索：先按设备型号、故障现象过滤，再在结果里做语义匹配。直接全库向量检索，会答出别的型号的处理方法
• 图纸要能定位到页：图文混排的手册，答案要指到具体页码与图号，工程师在客户现场没耐心翻
• 答案必须带出处：引用手册原文的章节页码，工程师敢照着做，也便于客户方确认
• 经验主动沉淀：工单闭环时提示工程师补一句「这次是怎么解决的」，把口头经验变成条目

⚖️ 选型与权衡

🚧 实施难点与排查

• 图纸是图片，检索不到：早期图纸完全没有文本。做法是对图纸做文字识别并建图号索引，按图号与设备型号关联
• 同一故障多个原因：问「设备报某某报警」，答案不能只给一条。改为按可能性排序列出排查路径，让工程师逐条排除
• 手册版本混乱：同一型号有三版手册同时存在。加版本与适用批次标注，旧版只读留档
• 现场网络差：客户车间信号弱。做法是对高频内容做本地缓存，无网时也能查看要点

💵 成本与收益

• 成本：文档整理与打标约 2 人 × 6 周；检索与模型调用按量计费，规模可控
• 收益：新人独立处理常见故障的比例上升，总部技术支持的被打断次数明显下降
• 隐性收益：手册里过时、矛盾的地方在整理过程中被发现，反过来推动文档本身修订

🛡️ 风险与保障

• 安全相关必须溯源：涉及带电作业、高压、吊装的内容，答案必须指明手册原文并提示按安全规程复核，不允许模型自由归纳
• 准确性：答案带出处；无可靠来源时明确说没有依据，宁可转人工
• 权限：客户资料、报价类内容与维修知识分库管理
• 反馈闭环：工程师可对答案标记「有用/没用」，低分内容进入复核队列

♾️ 可复用与演进

• 同一套结构可扩到安装指导、维保计划、备件选型、内部培训
• 后续把现场反馈接回研发，形成「故障现象到改进项」的闭环
• 再进一步做故障辅助诊断：结合设备运行数据，缩小排查范围