精细化工、智能制造某某新材料科技有限公司2026/04/10

基于 LLM + RAG 的工业工艺参数智能问答系统

为精细化工企业构建基于 LLM + RAG 的私有知识库问答系统,实现 1,200+ 份工艺文档的智能检索与自然语言问答,并与 MES/ERP 系统实时对接,将工艺参数查询效率提升 90%,问答准确率达 96.5%。

基于 LLM + RAG 的工业工艺参数智能问答系统
知识库覆盖
1,200+ 份工艺文档全量入库,含 SOP、配方、操作手册
问答准确率
核心工艺场景准确率达 96.5%
查询效率提升
单次查询从 15–30 分钟缩短至 10 秒内,效率提升 90%+
日均调用量
上线首月日均调用 300+ 次
数据对接
实时对接 MES 系统,支持在产批次参数动态查询
交付周期
从需求确认到系统上线仅 8 周
LLM
RAG
Milvus
LangChain
MES/ERP API 集成
文档解析引擎

基于 LLM + RAG 的工业工艺参数智能问答系统

项目背景

客户是一家大型精细化工企业,拥有超过 20 年的工艺沉淀,积累了海量的工艺规程、操作手册、配方文档和历史工单数据。长期以来,一线操作人员在遇到工艺参数疑问时,只能依赖翻阅纸质文档或向老师傅请教,平均单次查询耗时 15–30 分钟,严重制约了生产效率和异常响应速度。

客户希望构建一套智能工艺问答系统,让操作人员通过自然语言提问,即可获得准确、可溯源的工艺参数答案,并能实时关联 MES 系统中的在产批次数据,实现"问即所答、答即可用"。

技术方案

我们为客户设计了一套 LLM + RAG + 企业数据中台 的融合架构,核心思路是将私有知识与实时生产数据在推理层进行动态融合。

graph LR A[工艺文档<br/>SOP / 配方 / 工单] -->|解析 & 切片| B[文档预处理引擎] B -->|Embedding| C[(Milvus 向量数据库)] D[用户提问] -->|Query 改写| E[检索路由层] E -->|语义检索| C E -->|结构化查询| F[(MES / ERP 数据接口)] C -->|Top-K 上下文| G[LLM 推理引擎] F -->|实时工艺数据| G G -->|生成回答 + 溯源引用| H[问答前端]

知识库构建

文档解析:针对客户的 PDF 工艺规程和 Word 操作手册,采用版面分析 + OCR 双通道解析,有效识别表格、流程图中的参数信息 智能切片:基于文档语义结构进行自适应分块,保证每个 Chunk 包含完整的工艺参数上下文,避免关键信息被截断 * 多级索引:构建「文档级摘要索引 → 段落级语义索引 → 参数级精确索引」三级检索体系,兼顾召回率与精确度

MES 数据对接

系统通过 API 网关与客户的 MES 系统实时对接,当用户提问涉及当前批次或在产工单时,检索路由层会同时向向量库和 MES 发起查询,将历史工艺知识实时生产数据在 Prompt 层融合后交由 LLM 推理。

graph TB subgraph 数据融合层 K1[向量检索结果<br/>历史工艺知识] --> M[Prompt 组装] K2[MES 实时数据<br/>当前批次参数] --> M K3[权限 & 上下文] --> M end M --> LLM[大模型推理] LLM --> R[结构化回答<br/>+ 参数溯源卡片]

回答质量保障

参数溯源:每条回答均标注来源文档编号和页码,支持一键跳转原文 置信度评估:对 LLM 输出进行事实校验,低置信度回答自动触发人工复核流程 * 反馈闭环:操作人员可对回答进行评分,持续优化检索与生成策略

典型问答场景

操作人员:3 号反应釜当前批次的搅拌速度应该设为多少?温度上限是多少?

系统回答:根据工艺规程 SOP-RX-2024-037 第 4.2 节,3 号反应釜在进行 XX 型反应时,搅拌速度推荐范围为 120–150 rpm,反应温度上限为 85°C。当前批次(批号 B20250312-03)MES 记录显示实际搅拌速度 135 rpm,温度 78.2°C,均在标准范围内。

📄 来源:SOP-RX-2024-037 · 第4.2节 · 第12页

交付成果

系统上线后 2 周内完成全量工艺文档入库(覆盖 1,200+ 份文档),经过 1 个月的试运行调优,系统在核心工艺问答场景下的准确率达到 96.5%,日均调用超过 300 次,已成为产线操作人员的核心辅助工具。项目同时为客户搭建了完整的知识运维体系,支持新文档的自动化入库和索引更新,确保知识库与实际生产始终同步。

需要类似项目建议?

您可以把设备协议、现场约束和时间要求告诉我们,我们会先评估可复用部分和交付边界。

联系我们