1. 课程导入
在制造企业中，知识往往散落在工艺文件、设备手册、质量报告、维修工单、BOM、SOP、检验标准以及老师傅的经验里。传统搜索只能按关键词命中文件，无法回答“某型号主轴异响应优先检查什么”“这批零件尺寸超差与哪道工序相关”这类需要跨文档推理的问题。本课程要解决的核心问题，就是把这些分散的制造知识组织成可检索、可追溯、可更新的知识库，并用RAG（Retrieval-Augmented Generation，检索增强生成）构建能给出有依据答案的问答系统。
学习目标不是“会调用一个大模型”，而是掌握一条完整工程链路：制造知识如何采集与治理，如何切分与向量化，如何检索与重排，如何约束生成并给出引用，如何评测、监控和持续迭代。
一、核心价值：从“找文件”到“得答案”
制造场景对答案的要求比通用问答更严格：必须准确、可追溯、可执行，并且不能编造。RAG的价值体现在三个层面。
- 知识复用：把老师傅经验、历史故障、工艺参数沉淀为可检索资产，减少对个人记忆的依赖。
- 决策提速：设备报警、质量异常、工艺变更时，工程师能在秒级获得相关条款、历史案例和处置建议。
- 风险可控：答案附带来源片段与文档编号，便于审核；对安全、合规、参数类问题可设置拒答或转人工。
与直接微调大模型相比，RAG更适合制造知识频繁更新、文档权限复杂、需要引用出处的场景。它的本质是“先检索证据，再生成回答”，把大模型的生成能力约束在企业自有知识范围内。
二、整体知识框架：五层工程体系
本课程按“数据—检索—生成—应用—运营”五层展开，每层都有明确的输入、输出和评测指标。下图给出整体知识框架与数据流向。
五层之间不是单向流水线，而是闭环：运营层发现的bad case会反向驱动数据治理、切分策略和提示模板的调整。制造知识库的质量，最终由“答案是否可执行”来检验。
三、方法流程：一条可落地的RAG链路
以“设备故障问答”为例，典型流程如下：
- 知识采集：从PLM、MES、QMS、共享盘抽取PDF、Word、Excel和工单记录，保留文档编号、版本、设备型号、工序等元数据。
- 清洗与切分：去除页眉页脚、合并跨页表格，按标题层级和语义边界切分，单块控制在300～600字，并保留上下文标题。
- 向量化与索引：用中文Embedding模型生成向量，同时建立BM25关键词索引，形成混合检索。
- 检索与重排：先召回Top 20，再用Rerank模型精排Top 5，过滤低相关片段。
- 生成与引用：把Top片段填入提示模板，要求模型只依据上下文回答，并输出文档编号和段落位置。
- 评测与迭代：用人工标注的问答对计算命中率和忠实度，持续优化。
# 制造知识库RAG核心参数示例
chunk_size: 500 # 切分长度（中文字符）
chunk_overlap: 80 # 重叠长度，避免语义断裂
embedding_model: bge-large-zh
top_k_recall: 20 # 混合召回数量
top_k_rerank: 5 # 精排后进入上下文数量
temperature: 0.1 # 降低随机性，保证答案稳定
require_citation: true # 强制输出引用来源
refuse_threshold: 0.35 # 相关度低于阈值时拒答四、典型应用场景与误区复盘
| 场景 | 典型问题 | 关键知识源 | 核心指标 |
|---|---|---|---|
| 设备故障诊断 | 报警代码含义、排查顺序 | 设备手册、维修工单 | 引用准确率、首次修复率 |
| 工艺参数查询 | 某材料某工序推荐参数 | 工艺卡、SOP、试验报告 | 命中率、参数一致性 |
| 质量异常追溯 | 缺陷与工序/批次关联 | 检验报告、SPC记录 | 追溯完整率 |
| 新人培训 | 标准作业步骤解释 | SOP、培训教材 | 答案可读性、覆盖率 |
常见误区：一是把RAG当成“万能搜索”，忽视知识治理，导致垃圾进垃圾出；二是切分过粗或过细，粗则噪声大，细则上下文断裂；三是只做向量检索，忽略型号、批次、工序等结构化过滤；四是让模型自由发挥，缺少引用和拒答机制，在安全与参数问题上风险极高。
建议从一个小而痛的场景切入，例如“某产线设备报警问答”，先打通数据、检索、生成、评测全链路，再逐步扩展到工艺、质量和培训场景。每上线一个场景，都要同步积累评测集和bad case库，这是制造RAG工程能否持续迭代的关键资产。
本课程后续将围绕上述五层框架逐层展开：从制造知识建模与文档解析，到切分、向量化、混合检索、重排、提示工程、引用与拒答，再到评测、监控、权限与部署。学完本课程，你应能独立设计并落地一个可追溯、可评测、可运营的制造知识库与RAG问答系统。