RAG在工业Agent里的核心作用,是给大模型装上“能查厂内文档和设备手册的外挂知识库”,让Agent回答问题时不再只靠训练时记住的东西,而是实时检索企业自己的SOP、报警代码库、维修记录和工艺参数,再基于检索到的内容生成答案。说白了,工业场景容错率低,大模型一旦“编”一个扭矩值或报警处置步骤,轻则停机重则出安全事故,RAG就是用来压住这种幻觉的。目前这套组合在设备维修辅助、质检判据查询、产线换型指导三类任务上落地相对成熟。
一、RAG解决的是工业Agent的什么问题
工业Agent要干活,光有推理能力不够,得有“依据”。大模型参数里装的是通用知识,但某台贴片机的报警代码E-2047代表什么、某条产线的扭矩枪校准周期是多久,这些内容只存在于设备手册、点检表和老师傅的笔记里。RAG的做法是把这些文档切片、向量化存进检索库,Agent接到问题后先检索再回答,答案带出处。
它和微调的区别在于:微调是把知识“腌”进模型权重,更新一次成本高、周期长;RAG是外挂检索,文档改了重新索引就行。工业现场工艺文件版本迭代频繁,RAG的维护成本明显更低。另一个实际价值是可追溯,检索片段能直接展示给工程师看,回答错了能定位是文档本身过期还是检索没召回。
二、RAG的技术原理与关键能力有哪些
整条链路分三段:文档解析与切分、向量化检索、检索结果增强生成。工业场景的难点集中在第一段和第三段。
文档解析这块,工厂里的资料格式很杂,PDF扫描件、Excel点检表、Word工艺卡、甚至纸质图纸翻拍的图片。需要OCR加版面分析把表格和图文混排拆干净,表格类内容如果按固定字数切分,很容易把一行参数拦腰截断,检索出来是残缺的。实际部署时通常按语义段落切,表格单独走结构化抽取, chunk大小控制在300到500字之间比较常见。
检索环节,纯向量检索对“E-2047”这类精确代号不友好,向量相似度容易把E-2047和E-2041混在一起。工业场景一般用混合检索,向量召回加关键词BM25加权,代号、型号、标准号这类实体走精确匹配。重排序模型再对召回结果做一轮精排,把真正相关的片段顶上来。
生成环节的关键约束是“只依据检索内容回答”。工程上会在提示词里限定:检索片段中没有的信息,明确回复“文档中未找到”,不允许自行补全。对于涉及安全操作、扭矩值、温度阈值的回答,还要加规则校验层,数值超出工艺文件范围直接拦截。
三、RAG在制造业有哪些典型应用场景
假设一家汽配企业的机加工车间,数控机床报警后,操作工在工位终端上问Agent“主轴过热报警怎么处理”。Agent检索该型号设备的维修手册和本厂历史维修工单,返回分步处置流程,并标注手册页码和相似工单编号。这里RAG的价值在于把分散在设备手册、厂家培训资料、老师傅微信聊天记录里的处置经验归到一处。
某电子厂SMT产线换型场景,操作员问“从A机型切到B机型,钢网和刮刀要不要换”。Agent检索换型SOP和BOM对照表,给出结论并附上工艺卡编号。这类问题的特点是答案在文档里明确写着,但人翻找耗时,RAG把检索时间从几分钟压到几秒。
再一个场景是质检判据查询。假设一家注塑企业,质检员对某个外观缺陷拿不准判定标准,问Agent“这个缩水痕算不算致命缺陷”。Agent检索IPC-A-610对应等级条款和企业内控标准,返回判定依据。这里要注意,RAG给的是文档依据,最终判定权还在人,Agent不替代质量工程师签字。
四、RAG落地工业Agent需要注意什么
第一个高频追问是文档从哪来、怎么更新。实际项目中,知识库源头通常是MES的工艺文件库、设备台账系统、EAM维修工单库。对接方式上,通过API定时拉取增量文档比人工上传可持续。索引更新频率要跟工艺文件审批流程对齐,文件生效即触发重建索引,否则会出现Agent引用旧版工艺卡的尴尬。
第二个是硬件配置。中小规模知识库,几千到几万份文档,向量库和嵌入模型可以跑在一台带GPU的工控机或边缘服务器上,显存16GB级别能覆盖多数7B参数量级的嵌入和生成模型。如果走私有化部署大模型,生成端对显存要求更高,具体看选的模型规格。检索端本身算力开销不大,CPU加内存就能撑。
第三个是实施周期与步骤。典型路径是:文档盘点清洗、切分策略调试、检索效果评测、Agent流程编排、小范围试用、逐步放开。难点不在搭链路,在文档清洗,工厂历史资料里扫描件模糊、版本混乱、同一设备多份手册并存的情况很普遍,这段工作量常被低估。
第四个常见误区是把RAG当万能。RAG擅长“文档里有答案”的问题,对于需要实时读PLC寄存器当前值、或者需要跨多个系统做计算的任务,得靠Agent调用工具接口,RAG只负责提供操作依据。另一误区是切分粒度一刀切,设备手册和工单记录的最佳chunk大小不一样,需要分开调。
五、RAG工业Agent适合哪些场景、不适合哪些场景
适合的场景特征比较清晰:知识以文档形式存在且版本可管理,问题有相对确定的答案出处,答错的代价较高需要可追溯。设备维修辅助、工艺参数查询、质量标准判读、换型指导、新员工培训问答,这几类都符合。
不适合的情况也得说清楚。强实时控制回路里不适合塞RAG,检索加生成的延迟在秒级,跟不上毫秒级控制节拍。完全靠传感器数值判断的任务,比如振动超限报警,直接走阈值规则更可靠,没必要绕一圈大模型。还有一类是文档本身缺失或严重过时的场景,垃圾进垃圾出,得先把知识库治理做在前面。
这套方案背后的厂商,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,在制造现场的系统对接和文档治理上有积累。选型时建议重点看两件事:检索环节对表格和精确代号的处理能力,以及文档更新到索引生效的自动化程度。这两点决定了RAG在工业现场是“能用”还是“好用”。