01
三类语言，需要三路召回
- 问题
- 设备知识同时包含型号、版本号、故障码和自然语言描述，单一向量检索容易漏掉精确术语。
- 动作
- 组合 BM25、BGE-M3/Qdrant 与结构化业务数据三路检索，再用 RRF 融合排序。
- 价值
- 词法命中、语义召回与业务事实互补，高价值确定性问题还能优先使用审核后的标准答案。
← 返回项目总览
03 · 企业项目制 · 独立开发 · 2026.04—2026.09
工业设备智能售后与知识服务平台
将 RAG、Text-to-SQL 与多模态能力安全接入设备售后业务。
为硬件设备厂商构建设备、工单与知识服务平台。三路混合检索支撑带来源问答，Vanna Text-to-SQL 将自然语言分析需求转成权限内查询，并补充 OCR、语音日志与证据驱动报表。
交付状态开发完成，已部署并在一期试运行环境验收
本人职责
2026.04—2026.09 项目制独立开发，负责方案、前后端、AI 工程化、测试与部署。
核心交付
在设备、工单与知识库业务上接入混合 RAG、Vanna Text-to-SQL、语音问答、OCR 和 AI 报表。
工程重点
权限贯穿检索与数据查询；SQL 失败回退固定分析；索引版本切换；AI 草稿经人工确认后入库。
核心使用流程
从输入到结果，每一步都承担明确职责
- 01
识别需求
售后人员可查询故障知识，也可用自然语言提出工单、设备和服务趋势等分析问题。
- 02
知识问答
BM25、向量与结构化数据三路召回，校验候选权限并以 RRF 融合，答案附来源。
- 03
数据分析
Vanna 生成查询后由后端复核用户权限与查询边界；生成或执行失败时回退固定统计。
- 04
输出与治理
问答通过 SSE 返回，分析结果以图表和结论呈现，同时记录索引、查询与任务状态。
关键实现
业务问题、技术方案与实现结果
02
让权限检查贯穿问答链路
- 问题
- 知识来源包含业务记录和文档，不同角色与资料范围需要一致的访问约束。
- 动作
- AI 入口限制内部与服务人员访问；对检索候选执行权限校验，融合后复核来源权限与 active 索引成员。
- 价值
- 将入口角色控制、候选校验和融合复核串起来，避免单凭前端隐藏限制资料访问。
03
让自然语言安全查询售后数据
- 问题
- 固定报表覆盖不了临时分析问题，但直接执行模型生成 SQL 会引入越权、误查询和不可用风险。
- 动作
- 在售后分析模块接入 Vanna Text-to-SQL；模型生成查询后由后端重新校验身份、数据范围和查询边界，异常时回退到固定统计结果。
- 价值
- 业务人员可以用自然语言探索设备、工单与服务趋势，同时保留权限控制和稳定兜底。
04
新索引验证后才接管查询
- 问题
- 文档重建失败或分块不完整时，直接替换索引会让正在使用的问答链路不可用。
- 动作
- 用 BUILDING、VALIDATED、ACTIVE、RETIRED、FAILED 五态管理索引，支持失败记录、断点续建、原子激活和旧版本回退。
- 价值
- 构建过程与在线查询解耦，新版本必须通过完整性校验后才能成为 active。
05
把图片和语音变成可确认的业务输入
- 问题
- 送货单需要逐项录入，现场人员记录工作日志也不总适合键盘输入。
- 动作
- 接入 PP-StructureV3 识别送货单表格，先生成私有草稿、人工校准后再入库；语音日志以 ASR 内存转写，支持手动补录与 AI 周复盘。
- 价值
- 保留人工确认环节，识别不足时仍可完成业务操作；语音日志音频不落盘。
06
先计算事实，再让 AI 组织报表
- 问题
- 售后分析中的数字和结论需要能追溯到工单，直接让模型生成整份报告缺少核对依据。
- 动作
- 确定性信号引擎计算事实与证据 ID，按问题组织分析，再通过 Writer / Reviewer 生成和核对；结合数字校验、持久化任务、租约与心跳处理失败。
- 价值
- 让分析结论关联业务证据，生成异常时可降级为统计结果，并保留任务状态供排查。
界面证据
经过脱敏的真实运行界面
我的职责
我负责的工作与交付内容
企业项目制/兼职独立开发；与驻场需求人员协作理解业务，本人负责方案、前后端、AI、测试、部署与维护。
项目开发周期为 2026 年 4 月至 9 月，已完成开发并部署至一期试运行环境；新增 OCR 与语音工作日志已完成测试环境验收。
除主问答外，完成 Vanna Text-to-SQL、送货单 OCR 与人工确认、语音工作日志、AI 周复盘和证据驱动报表。
公开页面仅使用合成与脱敏数据，不出现客户名称、真实设备、工单、账号、服务器或内部地址。
实现取舍
固定问答链
主问答使用固定 LCEL 工作流而非自主 Agent，使检索、核对、生成和引用步骤可测试。
安全查询
Text-to-SQL 的生成结果不能直接绕过业务层执行，后端再次检查权限与查询边界，失败则返回固定分析。
流式治理
meta、delta、citation、heartbeat、done、error 六类 SSE 事件承载进度、引用和异常。
语音交互
一次性 ticket 与状态机构成半双工 ASR-RAG-TTS 链路，按轮次完成收音、检索与逐句合成。
实现范围与运行说明
- Neo4j 是 MySQL 派生关系展示，不是 GraphRAG，也不参与问答主检索。
- 问答主链路是固定 LCEL 工作流，不是自主 Agent。
- Text-to-SQL 只用于权限范围内的数据查询，不支持任意写入，也不把模型生成 SQL 直接作为可信输入。
- 当前 AI 问答入口面向内部与服务人员，不对客户开放；不同检索通道的权限处理时点有所区别。
- OCR 依赖相应服务 Key，未配置时能力开关关闭。页面截图为已有脱敏运行界面，不作为新增功能的截图证据。
- 系统处于一期试运行，尚无可对外发布的生产收益指标；公开页面仅使用脱敏与合成数据。
Evidence-based Q&A
继续核验这段经历
直接追问职责、取舍、失败处理和能力边界。回答只使用已确认可公开的项目证据，并提供对应页面来源。
继续了解