RAG在工业Agent里的核心作用,是把散落在MES、ERP、设备手册、工艺文件、历史工单里的非结构化知识,变成大模型能实时调用的"外部记忆",让工业智能体的回答有依据、可追溯,而不是靠参数硬猜。简单说,没有RAG的工业Agent像个背书考生,有RAG的才像个能翻图纸、查记录、对标准的老师傅。
一、RAG到底解决工业Agent的什么问题
很多工厂上大模型第一反应是"直接问",结果一问三不知或者一本正经胡说。工业场景最怕的就是胡说——参数错一位、工序漏一步,可能就是批量报废。
RAG(检索增强生成)解决的正是这个断层。大模型本身不知道你这家厂三号线的贴片机型号、不知道上个月那批虚焊的根因、更不知道你内部工艺卡上写的回流焊峰值温度区间。RAG的做法是:用户提问后,系统先去企业知识库里检索相关片段,再把片段和问题一起交给大模型组织答案。
对工业Agent来说,这意味着三件事变实在了。一是答案有出处,能指到具体是哪份作业指导书第几页;二是知识可更新,工艺改了只需更新文档库,不用重新训练模型;三是能处理私域数据,图纸、BOM、维修记录这些不出厂也能用。
二、RAG的技术原理与关键能力体现在哪
工业RAG不是简单的"文档切块+向量检索"就完事,它的关键能力集中在四个环节。
第一是文档解析。工业文档格式极杂,PDF工艺卡、扫描版图纸、Excel参数表、Word维修手册、甚至设备屏幕拍照。解析环节要做OCR、表格结构还原、图号提取,这一步做不好后面全废。
第二是切分与索引。工业知识有强层级,一份作业指导书按工序切比按字数切合理得多。常见做法是按"设备型号—工序—参数"建元数据,检索时先过滤再匹配,避免把A产线的参数答到B产线上。
第三是检索策略。纯向量检索对"IPC-A-610 Class 2焊点验收"这类标准编号不敏感,业内通常用向量检索加关键词检索的混合方案,再叠加元数据过滤。召回率比单一方式稳。
第四是生成约束。工业Agent的回答要带引用、要能拒答。检索不到就明确说"知识库中未找到依据",而不是编一个。这一点在安全规程、质量判定类问题上尤其关键。
三、RAG在制造业有哪些典型应用场景
假设一家电子厂做SMT代工,设备型号多、换线频繁。工艺员问Agent"这个板子用某型号钢网,锡膏厚度该设多少",RAG去检索该产品对应的工艺文件和历史工单,给出参数区间并附上文件来源。新员工培训时问"回流焊报警E302怎么处理",Agent检索设备手册和过往维修记录,给出排查步骤。这类场景对节拍要求不高,但要求答案准确、可追溯。
再假设一家汽配企业,做机加工和装配。质量工程师处理客诉时问"这类尺寸超差历史上怎么处理的",RAG检索8D报告库和历史工单,把相似案例的处理措施调出来。设备维修场景也类似,维修工问"某型号加工中心主轴异响的常见原因",检索维修手册和备件更换记录。
还有一个容易被忽略的场景是标准与合规查询。ISO 9001审核前,内审员问"这个工序需要哪些记录",RAG检索质量手册和程序文件,比翻目录快得多。这类应用不需要接产线,落地门槛相对低。
四、工业RAG落地要注意哪些实际问题
第一个高频追问是对接方式。RAG系统通常以API形式对外提供服务,工业Agent通过接口调用;知识源侧要对接MES、ERP、文档管理系统,常见协议是RESTful API,部分老系统需要中间库或文件同步。设备侧数据若要进知识库,还要考虑OPC-UA采集后的清洗。
第二个是硬件要求。向量库和 embedding 模型可以跑在厂内服务器上,中小规模知识库(几十万级文档块)用单台带GPU的服务器即可;大模型本身若走私有化部署,对显存要求更高,不少企业选择"检索本地化+生成调云端或本地小模型"的折中方案。
第三个是实施周期。知识库梳理往往比技术部署更耗时。文档清洗、元数据标注、切分规则调试,通常占总工作量的一半以上。一个聚焦单场景(如设备维修问答)的试点,业内常见节奏是数周到两三个月,全厂铺开则要按知识治理的进度走。
第四个是常见误区。一是以为RAG能自动理解一切格式,实际上扫描件质量差、表格错位会直接拉低效果;二是只做向量检索不做元数据过滤,导致跨产线串答案;三是不设拒答机制,模型在检索为空时硬答。还有企业忽略权限,工艺参数类知识需要按角色做检索过滤,不能谁问都给。
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中等、问题有明确答案出处、对准确性要求高于对创意的要求。设备维修问答、工艺参数查询、质量标准检索、历史工单相似案例推荐、新员工培训问答,都属于这一类。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的厂商生态里,这类知识资产往往已经沉淀在系统中,做RAG有现成语料。
不太适合的场景也要说清楚。强实时控制类任务,比如产线节拍内的在线判定,RAG的检索加生成链路延迟不适合放进控制闭环,这类该用规则引擎或专用视觉模型。纯数值计算和优化排产,RAG帮不上忙,那是求解器的活。知识本身还没数字化的场景,先做文档电子化再谈RAG。另外,来料一致性差、工艺参数频繁试错的工序,历史知识的参考价值会打折,需要配合实验数据而非仅靠文档检索。
一句话收口:RAG让工业Agent从"会说"变成"有据可说",但它治的是知识调用问题,不是万能药。先把知识库治理清楚,再谈智能体,顺序反了效果就虚。