1. 课程导入与全景认知

在传统工程项目管理中，信息分散在图纸、合同、变更单、会议纪要、进度计划、质量验收记录和造价清单里。一个看似简单的问题——“3号楼二层梁板混凝土浇筑为什么延期，对总工期影响几天，责任方是谁”——往往需要翻阅多个系统、询问多位工程师，才能拼出答案。工程项目智能问答与决策支持，正是用大语言模型、知识图谱、检索增强生成（RAG）和工程规则引擎，把这种“跨文档、跨专业、跨阶段”的查询与判断，压缩成一次可追溯的对话或一张可解释的决策建议表。

本课程不是单纯讲“AI能聊天”，而是讲“AI如何在工程语境下给出可信、可查、可用的答案”。因此，先建立全景认知：它解决什么问题、由哪些技术层组成、典型场景长什么样、学习路径怎么走。

一、定义：从“查资料”到“给依据”

工程项目智能问答，指用户以自然语言提出工程问题，系统从项目知识库中检索相关文档片段、结构化数据和规则，生成带出处、带置信度、带后续动作建议的回答。决策支持则更进一步：不仅回答“是什么”，还回答“怎么办、选哪个、风险多大”。例如，输入“如果基坑支护方案从桩锚改为地下连续墙，造价和工期如何变化”，系统应输出对比表、关键假设、风险提示和推荐方案，而不是一段泛泛而谈的文字。

两者的共同底座是“工程知识资产化”：把非结构化文档（PDF、Word、扫描件）、半结构化表格（Excel、清单）和结构化数据（进度库、成本库、BIM构件属性）统一接入，形成可检索、可推理的知识层。

二、价值：四个可量化的收益方向

• 检索效率：把“翻3小时资料”变成“30秒定位到条款和图纸页”。
• 决策一致性：同一类变更，不同项目经理给出的判断标准趋于一致，减少“凭经验拍脑袋”。
• 风险前置：在问题发生前，通过规则和相似案例提示“这类签证容易漏项”“该工序雨季施工风险高”。
• 知识沉淀：老工程师的隐性经验被问答记录、决策依据和反馈闭环固化下来，新人可复用。

需要强调：智能问答不替代工程师签字，它提供的是“带证据的建议”。最终判断仍由具备执业资格的人完成。

三、典型场景：从现场到管理层

场景一，合同与索赔问答。用户问“总包合同第7.3条对不可抗力的工期顺延怎么约定”，系统定位到合同原文，并关联本次暴雨事件的天气证明、监理日志，给出“可顺延3天，需在事件发生后14天内提交索赔意向”的结论。

场景二，进度偏差归因。用户问“为什么本月进度落后5%”，系统对比计划与实际，按专业拆分，指出“机电安装滞后贡献了3.2%，主要原因是甲供设备到货延迟”，并附上设备到货台账。

场景三，质量安全规范查询。用户问“模板支架搭设高度超过8米需要哪些验收条件”，系统检索危大工程管理规定和专项方案，列出专家论证、验收表格和监测要求。

场景四，多方案比选。用户问“屋面防水选SBS还是TPO”，系统按造价、耐久年限、施工条件、当地气候给出对比矩阵和推荐排序。

四、技术栈概览：五层架构

下图给出工程项目智能问答与决策支持系统的分层结构。自下而上依次为数据接入层、知识构建层、检索与推理层、应用交互层和治理与反馈层。每层都对应真实工程对象和接口，而不是抽象概念。

理解这张图的关键是：下层决定上限，上层决定体验。如果合同和进度数据没有接入，再好的模型也答不出“顺延几天”；如果规则库没有维护，系统只能给泛泛的规范条文，无法结合本项目实际。

五、学习路径：四周可执行的入门安排

建议按“先跑通一条最小链路，再扩展场景”的方式学习。以下安排为示例性学习计划，可根据实际项目调整。

六、一个最小示例：从问题到答案

假设用户输入：“因连续暴雨，基坑停工2天，合同约定不可抗力可顺延工期，本次能顺延几天？需要什么材料？”

系统处理过程如下：第一步，检索合同文本，定位到第7.3条“不可抗力导致的工期延误，经监理确认后顺延”；第二步，检索监理日志和天气记录，确认暴雨持续2天且现场确实停工；第三步，调用规则引擎，按“顺延天数=实际停工天数，且需在事件发生后14天内提交意向”计算；第四步，生成回答：“可顺延2天，依据合同第7.3条及监理日志2024-06-12至06-13记录；需提交索赔意向书、天气证明、监理确认单，截止日期为2024-06-26。”同时附上原文页码和置信度。

这个例子说明：智能问答的核心不是“生成一段话”，而是把证据链、计算规则和行动要求一起交付。学习者应重点掌握数据接入、检索定位、规则表达和结果验证四个环节，而不是只调一个模型接口。