RAG正在成为工业Agent从演示走向产线落地的关键拼图。大模型本身懂语言但不懂你家工厂的设备手册、工艺参数和报警代码,检索增强生成就是把企业私有的、实时的那部分知识,在提问的瞬间喂给模型,让智能体的回答有据可依。
一、RAG到底是什么,工业场景为什么要它
RAG全称检索增强生成,说白了就是让大模型在回答问题之前,先去企业的知识库里翻资料,把找到的相关片段拼进提示词,再让模型基于这些材料组织答案。它解决的是大模型三个硬伤:知识有截止日期、不了解企业内部文档、容易一本正经地胡说。
工业场景对这三个硬伤特别敏感。假设一家汽配企业的设备维修Agent,如果它没见过该型号注塑机的液压系统图,凭通用常识回答故障排查步骤,轻则误导维修工多拆两个件,重则引发安全事故。再比如某电子厂的品质Agent,客户投诉批次不良,它必须能检索到该批次对应的SPC数据、来料检验记录和工艺变更单,才可能给出靠谱的根因分析。这些数据散落在MES、QMS、设备台账、PDF作业指导书里,靠重新训练模型既不现实也来不及,RAG是目前工程上最务实的路径。
二、技术原理与关键能力,拆开看就四步
第一步是知识入库。工业文档格式极其杂乱,扫描版作业指导书、CAD图纸附带的BOM表、PLC报警代码表、历史维修工单,得先做解析和切分。切分策略很讲究,按固定字数切会把一张工艺卡片拦腰截断,比较稳妥的做法是按文档结构切,表格单独成块并保留表头。
第二步是检索。用户问“三号线的贴片机抛料率突然升高怎么处理”,系统要同时做语义检索和关键词检索。纯向量检索容易把“抛料”和“下料”混为一谈,加上BM25这类关键词召回再做融合排序,工业术语的命中率会明显改善。元数据过滤同样关键,得能按产线、设备型号、文档版本做筛选,避免把旧版工艺参数当现行标准用。
第三步是重排与上下文组装。召回了二十个片段,不能一股脑塞给模型,需要重排模型挑出最相关的几段,再按“问题—证据—操作步骤”的结构组织提示词。工业Agent在这里通常还要挂上工具调用能力,比如检索到某报警代码后,自动去查该设备近七天的运行参数曲线。
第四步是生成与溯源。答案必须带出处,维修工看到“依据《XX机型维护手册》第4.2节”才敢动手。溯源能力也是RAG区别于纯生成的核心价值,出错了能定位是检索没召回还是模型理解偏了。
三、制造业里怎么用,三个假设场景
假设一家电子厂做SMT换线,操作工在工位上问Agent“今天换A产品,钢网和锡膏怎么选”。Agent检索到该产品的工艺文件、钢网管理规范和最近三次换线的实际记录,给出型号、张网参数和注意事项,同时提示该钢网当前在库状态。这里RAG的价值是把分散在工艺部和仓库的信息一次拉通。
假设一家汽配企业的设备Agent接到注塑机报警,它先检索报警代码表确认含义,再检索该设备近三个月的维修工单看有没有同类故障,最后检索液压原理图辅助判断。如果检索到的历史工单显示上次是比例阀卡滞,Agent会把排查顺序调成先查阀再查泵,这就是私有知识带来的差异化。
再假设一家流程型企业的安全Agent,新员工问“进入反应釜区域需要哪些防护”。这类问题最怕模型自由发挥,RAG强制它只依据企业安全规程和最新版应急预案作答,规程里没写的防护用品绝不编造。对安全场景来说,宁可回答“规程未明确,请咨询安全员”,也不能给一个似是而非的答案。
四、落地时容易踩的坑
知识库不是建得越大越好。某企业把二十年的历史文档全灌进去,结果检索出来的操作步骤引用的是早已淘汰的旧工艺。工业RAG必须做版本治理,文档要带生效日期和失效标记,检索时默认只召回现行版本。
切分粒度要按内容类型调。报警代码表适合一行一条,维修工单适合按工单整块保留,作业指导书按章节切。一刀切的五百字切分在工业文档上效果通常很差。
评测环节不能省。上线前要准备一批真实问题做召回率测试,重点看该召回的证据有没有被找出来。很多项目失败不是模型不行,是检索那一步就漏了。
还有一点,RAG不是一劳永逸。产线在变、工艺在改,知识库得有增量更新机制,新工单入库、旧文档下架,最好能做到准实时同步。业界一些厂商在做的方向是把知识治理和Agent编排放在同一个平台里,降低运维负担。据了解,目前已有服务商累计服务120余家客户,覆盖15+行业,另有厂商累计落地3200余家终端,说明这类方案在制造业的接受度正在起来。
五、往哪走
第一个方向是多模态检索。工业现场大量信息在图纸、波形图、设备照片里,纯文本RAG覆盖不到,图文混合检索是刚需。
第二个方向是Agent自主决定检索时机。不是每轮对话都检索,简单问题直接答,遇到设备型号、工艺参数这类实体才触发检索,效率和准确率都能兼顾。
第三个方向是检索与执行的闭环。Agent检索到操作步骤后直接调用工单系统派单、调用设备接口取实时数据,RAG从“查资料”变成“查完就干”,这才是工业智能体真正嵌进生产流程的样子。