- 负责需求分析、系统方案设计、混合检索实现、证据控制逻辑、结构化输出、引用校验以及自动化测试。
- RAG · Knowledge Base · Enterprise Search · Troubleshooting
- 368 项测试通过 · 85.08% 测试覆盖率 · ~60 名一线员工使用
问题
Overview
一个面向一线员工的知识库助手，可以用自然语言查询设备说明书、调试文档和故障记录。
该系统用于降低现场设备知识查询成本，而不是替代工程师的现场判断。
Context
设备现场调试依赖有经验的技术人员，他们的经验很有价值，却难以传承。
目标是构建面向一线员工的设备知识查询入口，让他们用自然语言提问——例如：“设备启动后出现 XX 报警怎么办？”
Problem
- 技术人员紧缺。
- 新员工培训不足。
- 设备文档分散。
- 老员工经验难沉淀。
- 故障查询成本高。
My Role
负责设备知识库助手从需求分析、方案设计、RAG Pipeline 实现，到证据控制和自动化测试的完整开发过程。
End-to-end ownership of requirement analysis, solution design, RAG pipeline implementation, evidence-control logic and automated testing for the equipment knowledge assistant.
构建
Solution
系统结合向量检索与关键词检索。FAISS 负责语义相似度检索，BM25 用于保留故障码、设备型号和专业术语等精确关键词匹配能力。
FAISS 与 BM25 的检索结果通过 RRF 进行排序融合，再进入证据控制层；只有当检索证据达到回答条件时，系统才进入生成阶段。
通过结构化输出与引用校验，使回答能够追溯到对应设备资料。
知识来源
- 设备说明书Equipment Manuals
- 调试文档Commissioning Documents
- 故障记录Fault Records
- 操作规范Operating Procedures
Architecture
- User Query
- Query Processing
- FAISS Vector RetrievalBM25 Keyword Retrieval
- RRF Fusion
- Retrieved Evidence
- Evidence Gate
- LLM Generation
- Structured Output + Citations
- Answer / Fail-closed
系统可以从设备说明书、调试文档、故障记录和操作规范等资料中检索并组合与当前问题相关的证据。
- Query
- Hybrid Retrieval
- RRF
- Evidence Gate
- Answer
- 02› FAISS 语义检索 + BM25 关键词检索（故障码、型号）
- 03› RRF 融合两路检索结果
- 04› 证据充足 → 进入生成
- 05› 结构化回答，附引用来源
Query
Q：设备启动后出现 XX 报警怎么办？
Hybrid Retrieval
FAISS 语义检索 + BM25 关键词检索（故障码、型号）
RRF
RRF 融合两路检索结果
Evidence Gate
证据充足 → 进入生成
Answer
结构化回答，附引用来源
Q ›设备启动后出现 XX 报警怎么办？
检索到的证据
- 设备说明书
- 故障记录
- 调试文档
answerable→ LLM 生成带引用的回答
Key Decisions
- 01
混合检索Hybrid Retrieval
设备数据不能只依赖语义搜索。故障码、型号、专业术语需要精确关键词匹配。
- 02
生成前融合Fuse Before Generation
先用 RRF 融合 FAISS 与 BM25 的检索结果，再把证据交给生成模型。
- 03
无证据不强答No Evidence, No Confident Answer
检索证据不足时，系统走 Fail-closed 路径，不强制模型生成回答。
- 04
可追溯输出Traceable Output
通过结构化输出与引用校验，最终回答可以回溯到对应的知识来源。
工程
Engineering
- FAISS + BM25 混合检索
- RRF 排序融合
- Evidence Gate 证据门控
- Structured Output
- Citation Validation
- Fail-closed 异常处理
- 自动化回归测试
Results
- 项测试通过 · 1 项跳过
- 368
- 测试覆盖率
- 85.08%
- 名一线员工使用
- ~60
完成面向一线现场知识查询的设备 RAG 助手，实现混合检索、证据控制以及带引用的结构化回答。
用于约 60 名一线员工的现场知识查询。
笔记
What I Learned
在企业 RAG 中，知识来源比模型更重要。决定哪些资料进入知识库，占了大部分工作。
真正的用户是时间有限的现场人员，界面必须尊重这一点。
Tech Stack
- RAG
- FAISS
- BM25
- RRF
- Knowledge Base
- Enterprise Search
- LLM
- Troubleshooting
- Knowledge Management