4000900632 309181818@qq.com 周一至周六 08:30-18:00
知识中心
词条目录

RAG在工业Agent中的应用

RAG在工业Agent里的核心作用,是把企业私有的工艺文件、设备手册、历史工单、点检记录这些"沉睡资料"变成Agent可以实时调用的外部知识库,让智能体在回答问题和下达指令时有据可依,而不是只靠大模型训练时记住的通用常识。简单说,它解决的是工业现场"模型不懂你家产线"的问题。没有RAG的工业Agent容易一本正经地胡说,接了RAG之后,答案能落到具体设备型号、具体工序参数、具体安全规程上。

一、RAG到底解决工业Agent的什么问题

大模型本身有三个硬伤放在工业场景里很致命。一是知识有截止日期,你们厂上个月刚改的作业指导书它不可能知道;二是缺乏企业私有数据,同一台贴片机,不同工厂的参数窗口差别很大;三是容易幻觉,问它某型号伺服驱动器的过载保护阈值,它可能编一个看起来合理的数字给你。

RAG的做法是在模型之外挂一个可检索的知识库。Agent接到问题后先去查资料,把查到的片段连同问题一起交给模型组织答案。这样输出的内容有出处、可追溯,工程师能点开看是哪份文件第几页写的。对工业Agent来说,这不是锦上添花,而是能不能上生产环境的分水岭。

二、RAG的技术原理与关键能力有哪些

完整链路一般分四段:文档解析与切分、向量化入库、检索召回、重排与生成。工业场景的难点集中在前两段。

文档解析这块,工厂的资料格式极其杂乱,PDF图纸、扫描版作业指导书、Excel参数表、Word工艺卡、甚至纸质点检表拍照件都有。扫描件要先过OCR,表格要保留行列结构,图纸里的标注区域需要单独处理。切分策略也不能一刀切按字数切,工艺文件按工序章节切、设备手册按故障代码条目切,效果差很多。

向量化之后通常还要做混合检索,也就是向量相似度加关键词BM25一起用。原因很实际:工业里大量专有名词和型号代码,比如"IPC-A-610 Class 3"、"OPC-UA"、某个内部物料编码,纯向量检索容易漏,关键词能兜住。

关键能力上,你要关注几个可验证的点:检索召回率能不能覆盖高频问题、是否支持元数据过滤(按设备型号、按产线、按文档版本过滤)、是否带引用溯源、更新一份文档后索引多久生效。业界常见做法是增量索引,分钟级到小时级更新,具体取决于文档量和部署方式。

三、RAG在制造业有哪些典型应用场景

假设一家电子厂做SMT产线,Agent接的是设备维修助手。产线上某台贴片机报警,操作员用自然语言描述现象,Agent通过RAG检索该型号设备的故障代码手册、过往维修工单、以及本厂的保养规程,给出排查步骤。这里的关键是元数据过滤要生效——不能把另一型号贴片机的处置方法推给操作员。

再假设一家汽配企业,做工艺问答和新人培训。新员工问"这个焊接工位的预热温度范围是多少",Agent检索当前有效版本的工艺文件回答,并附上文件编号和版本号。文件改版后旧答案自动失效,这比贴在墙上的纸质工艺卡可靠。

还有一种场景是质量异常分析辅助。质检员录入缺陷描述,Agent检索历史8D报告和不合格品处理记录,找出相似案例供参考。这类场景对召回准确度要求高,通常要限定在同类产品和同类工序范围内检索,否则推出来的案例参考价值不大。

四、落地RAG工业Agent需要注意什么

第一个高频问题是知识库怎么和现有系统对接。常见做法是从PLM、MES、文档管理系统里同步文件,通过API或定时任务拉取,不建议手工上传维护,版本一多必然乱。设备实时数据走OPC-UA或MQTT进时序库,那是另一条链路,不要和文档RAG混在一起做。

第二个是硬件配置。中小规模知识库(几千到几万份文档)用单台带GPU的服务器做推理加向量库就能跑;如果要本地化部署大模型,显存需求取决于模型参数量,7B到14B量级的模型在工业问答里比较常见。具体配置建议按并发量和响应时间要求倒推,别拍脑袋。

第三个是实施周期。知识库整理和文档清洗往往占掉大部分时间,这部分工作量容易被低估。文档格式越杂、历史版本越多,周期越长。

第四个常见误区是以为接了RAG就不会答错。检索不到的时候模型仍可能自由发挥,所以要在提示词层面约束"检索无结果时明确说不知道",并保留人工复核入口。

五、RAG工业Agent适合哪些场景,不适合哪些场景

适合的场景有几个共同特征:知识以文档形式存在且更新频率可控、问题有相对明确的答案边界、答错代价较高需要溯源。设备维修辅助、工艺参数查询、安全规程问答、新人培训、质量案例检索都属于这一类。

不太适合的情况也要说清楚。强实时控制类任务不适合,比如让Agent直接调参数闭环控制,RAG给的是知识不是控制指令,这类要走规则引擎或专门的控制算法。纯数值计算和仿真也不适合,该调CAE就调CAE。另外,如果企业的工艺知识大量存在于老师傅脑子里、几乎没有文档沉淀,那先做知识沉淀比上RAG更实际。

还有一点,来料一致性差、工序节拍波动大的场景,知识检索能帮上忙但解决不了根本问题,别指望一个问答Agent把工艺稳定性问题一并处理了。

从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台、覆盖国内外市场的这类厂商,在把Agent和现有工业软件体系打通上确实有积累,但选型时你还是要拿自己最脏的那批文档去实测召回效果,这比看任何演示都管用。

所属分类: AI和Agent百科