从设备台账到故障推理:知识图谱加RAG正在改写运维

核心要点

什么是图谱加RAG

知识图谱（Knowledge Graph） 是用节点与边表示实体及其关系的结构化知识库，工业里常把设备、部件、故障模式、工单、图纸连成网络。RAG（Retrieval-Augmented Generation，检索增强生成） 是先从一个知识源检索相关片段，再让大模型基于检索内容生成答案，减少凭空编造。向量检索 把文本转成向量按语义相似度召回，但容易召回语义近却关系错的内容。图谱检索 沿明确关系路径跳转，召回更可控、可解释。二者结合能把"语义相近"与"关系正确"统一起来。

纯向量检索的坑

故障推理怎么落地

实施的分阶段路径

常见问题（FAQ）

问：已经有大模型了，为什么还要建知识图谱？

答：因为通用大模型不懂你厂的设备术语与历史工单，纯靠它容易凭空编造或答非所问。知识图谱把本厂设备、故障、工单连成正确关系，RAG 基于这些关系召回，答案既准又可溯源。图谱解决"关系对不对"，大模型解决"怎么组织语言"，两者互补而非替代。

问：建图谱成本是不是很高，小厂做不起？

答：不必一开始全域建模。从一条产线或一类设备起步，只结构化设备树与近一年工单，成本可控。价值在试点跑通后显现，再逐步扩展。小厂更应聚焦高频故障场景，用最小图谱解决最痛的查资料慢问题，而不是追求完美大图。

问：图谱加大模型给出的建议能直接用于维修吗？

答：应作为辅助而非指令。系统要给出推理链与引用工单，工程师据此复核判断。对安全相关或首次出现的故障，必须人工确认。把 AI 建议定位为"加速排查的线索"而非"最终命令"，既提效又守住责任边界。

问：知识图谱怎么保持不腐烂？

答：靠运营机制而非一次性建设。设责任人定期核对设备树变更，处置结果回写图谱形成闭环，错误路径及时修正。工单质量是关键输入，录入时强制结构化字段，避免自由文本导致图谱无法使用。建完即荒是常见失败，运营比建模更重要。

问：RAG 召回不准怎么调？

答：先看是检索层还是生成层问题。检索不准就调图谱关系与向量阈值，补实体同义词；生成偏离就改提示词要求严格引用来源、禁止超范围推理。用真实故障案例做回归测试，盯召回准确率而非生成流畅度。分阶段调参比一次性堆模型更有效。

落地与运营清单