工业知识工程与 RAG

Knowledge Engineering · Retrieval-Augmented Generation · GraphRAG

问题定义

通用大模型缺乏企业的私有知识：设备手册、工艺卡、维修工单、SOP、报警码表、图纸与专家经验。这些文档量大、更新频繁、且往往只有少数人掌握。检索增强生成（RAG）通过"先检索、再生成"的方式把外部知识注入生成过程，使答案可溯源、可更新，无需为每个领域重新训练模型。

核心问题包括：非结构化文档的解析与切分、检索召回率与准确率、跨文档的全局性问答、权限与时效控制、以及答案可信度评估。

核心技术

RAG 基本流程

离线阶段把文档切分成片段，用嵌入模型编码为向量后写入向量库；在线阶段把用户问题同样编码，检索出最相关的若干片段，与问题一起拼进提示词交给大模型生成。

离线：d_i = Enc(chunk_i) → 写入索引，附带来源与权限元数据
在线：q = Enc(question) → top-k = argmax_{i∈I} sim(q, d_i) → LLM(question, {chunk_i})

向量检索与近似索引

嵌入模型把文本映射到语义空间，相似度通常用余弦或内积度量。工业场景中设备型号、报警码、参数代号这类字符串对语义模型不友好，需要混合检索兜底。索引结构主流为 HNSW（图索引，查询快、内存占用高）与 IVF 系列（倒排聚类，内存友好）。

cos(q, d) = q·d / (‖q‖ · ‖d‖)
HNSW：分层可导航小世界图，查询复杂度近似 O(log N)，召回率由 efSearch 控制

混合检索与重排

关键词检索（BM25）擅长精确匹配型号与代号，向量检索擅长语义相近表达。两者结果用 RRF 融合，再交给交叉编码器重排，是工业问答中性价比最高的组合。

RRF 融合：score(d) = Σ_r 1 / (k + rank_r(d))，k 通常取 60
重排：cross-encoder(question, chunk) → 精排分数，取 top-n 送入生成

查询改写与多跳问答

用户提问往往不完整。HyDE 先让模型生成一段假设答案，用假设答案去检索，可提升语义匹配度；复杂问题拆成子问题分步检索；Self-RAG 让模型自行判断是否需要检索、检索结果是否相关，减少无效召回。

HyDE：h = LLM(question) → 检索 Enc(h) → 用原始 question + 检索结果生成
多跳：q → q_1, ..., q_n → 逐跳检索 → 汇总证据链

GraphRAG：面向跨文档全局问题

传统 RAG 擅长"某一段说了什么"，不擅长"整体趋势是什么"。GraphRAG 先从语料抽取实体与关系构建知识图谱，再做社区划分与分层摘要，查询时先在社区摘要层检索，适合"这类故障通常有哪些原因"这类归纳性问题。

构建：语料 → (实体, 关系) 抽取 → 图 G = (V, E) → 社区划分 → 分层摘要
查询：全局类问题走社区摘要，局部类问题走实体邻域 + 原文片段

结构化知识与 Text2SQL

报警码表、BOM、工艺参数、点检记录本质是表格数据。这类问题用向量检索效果差、且容易算错，正确做法是让模型生成 SQL 查询数据库，或走确定性接口查询。判断标准：问题答案是"一个值/一组记录"，就别走向量。

路由：问题 → 分类器 → RAG（叙述型） / Text2SQL（统计型） / 接口调用（实时型）
安全约束：SQL 执行需只读账号 + 结果行数上限 + 白名单表

检索方案对比

方案 擅长 局限 典型场景
关键词检索（BM25） 型号、代号、专有名词精确匹配 同义表达、口语化提问召回差 报警码查询、备件检索
稠密向量检索 语义相近、表述多样 对精确字符串与数值不敏感 故障现象描述匹配
混合检索 + 重排 兼顾精确与语义 链路长、延迟与成本上升 通用工业问答（推荐默认）
GraphRAG 跨文档归纳、全局性问题 建图成本高、更新复杂 故障模式总结、根因分析
Text2SQL / 接口调用 统计、聚合、实时值 依赖表结构质量与权限控制 查询产量、停机时长、报警次数

工程实践指南

文档解析（往往是最大瓶颈）

切分策略

检索调优

可信与合规

效果评测

开源项目

LlamaIndex

面向 RAG 的数据框架，提供文档解析、切分、索引、检索与评测的完整链路，适合快速搭建工业知识问答原型。

FlagEmbedding (BGE)

智源开源的嵌入与重排模型系列，BGE-M3 支持多语言、多粒度与稠密/稀疏混合检索，中文工业语料上表现稳定。

Milvus

分布式向量数据库，支持多种索引类型与混合检索，适合千万级以上片段规模与高并发查询。

pgvector

PostgreSQL 向量扩展，可与业务数据同库管理与联合过滤，中小规模场景运维成本最低。

RAGAS

RAG 效果评测框架，提供忠实度、答案相关性、上下文精确率与召回率等指标，支持构建自动化回归评测。

GraphRAG

基于知识图谱的检索增强实现，通过实体关系抽取与社区分层摘要，支持跨文档的归纳性问题。

参考文献

相关阅读