基于大语言模型的检修数据智能搜索应用——中广核智能科技(深圳)有限责任公司软件开发助理工程师廖锦颖

2025年11月14日，中广核智能科技(深圳)有限责任公司软件开发助理工程师廖锦颖在深圳核博会“AI+核能创新应用场景路演”上发表《基于大语言模型的检修数据智能搜索应用》主旨报告。

汇报介绍了基于大模型的检修数据智能搜索应用，针对核电大修数据分散、传统关键词检索低效、经验难以沉淀等问题进行改进。方案通过RAG框架融合大语言模型、领域知识库、关系型数据库和语义理解能力，实现自然语言查询、智能召回、总结分析与多维筛选。项目将平均检索时间从约30分钟降至2分钟，检索准确率提升至89%，未来将通过知识图谱、私有化部署和持续迭代进一步推广。

关键点
1. 汇报主题与展开结构（00:03）
发言人来自中广和智能科技有限公司，介绍的场景是基于大模型的检修数据智能搜索应用，并将从背景、核心理念与设计、典型场景赋能、项目成效和未来展望展开。

2. 核电大修数据分散导致检索瓶颈（00:32）
核电大修每年产生海量数据，分散在独立系统中，包括大量QDR数据和工单，缺少统一搜索入口。传统检索主要依赖关键词匹配，无法理解查询意图和语境关联，平均耗时20到40分钟，查全率不足60%，同时历史经验难以系统总结，导致重复缺陷频发。

3. 以RAG和自然语言入口重塑检修搜索（01:45）
方案采用知识检索增强和大语言模型能力，以自然语言作为入口，让数据主动服务业务，实现“问一句得全貌”。系统融合关系型数据库、RAG知识库和大语言模型，提供智能搜索与分析，并通过应用层、服务层、算法层、数据层组成四位一体技术框架。

4. 领域知识动态更新与数据一致性（02:56）
系统借助大模型文本理解能力，针对QDR结构化特征设计自动转换和更新流程，将数据自动映射到标准的征兆、处理措施、失效模式和根因字典中，为后续分析提供基础，并通过增量同步和版本管理保障数据一致性。

5. 语义理解、联合召回与排序优化（03:31）
语义理解和查询引擎采用联合模型支持核电机组、系统等十二类实体识别，并结合领域知识、同义词典、多步推理和任务链协同。系统通过语义、关键词、元数据联合召回以及重排序优化结果，平衡查全与查准，检索准确率从初期70%提升到89%。

6. 按查询意图拆分任务并选择检索路径（04:56）
复杂问题被拆分为意图解析、常用关键词检索、知识库检索和总结等子任务。对于仅包含异常描述的查询使用知识库检索；对于不包含异常描述的精准检索使用数据库查询；对于既包含异常描述又要求数据准确性的查询，使用QDR知识库与数据库查询结果的交集，以兼顾查全和查准。

7. 典型场景支持历史缺陷与经验总结（05:55）
现场输入异常描述后，系统可返回历史同类缺陷，并自动生成规范化的经验总结，同时支持按机组、专业、时间等维度筛选，减少工程师约90%的检索时间。交互式对话也能帮助新手快速获得专家经验洞察，降低培训和决策成本。

8. 项目成效与经济价值（06:19）
项目将平均约30分钟的检索时间缩短至2分钟，效率提升超过90%，每年可节约工程师数千小时工时，并减少因信息缺失导致的返工风险。同类缺陷问题的检索时间缩短后，间接经济效益较为可观。

9. 未来推广与能力提升方向（07:00）
未来将形成覆盖数据治理、模型优化、运营推广的全套方法论，适用于多基地推广，并通过标准API实现复制应用。后续还计划引入知识图谱、利用功能位置码关联关系提升准确率，通过私有化部署和持续微调提高数据安全等级，并结合AB实验和强化学习持续迭代。

时间线
00:03 - 开场介绍发言人、汇报主题和整体汇报框架。
00:32 - 说明核电大修数据量大、系统分散、传统检索低效以及经验流失等业务痛点。
01:45 - 提出基于RAG、大语言模型和领域知识的智能搜索总体设计，并介绍分层技术架构。
02:56 - 进一步介绍领域知识自动更新、数据一致性保障、实体识别、意图理解和检索优化机制。
04:56 - 阐述系统如何按查询类型选择知识库、数据库或二者交集进行检索，并展示典型业务使用方式。
06:19 - 总结项目在检索效率、准确率、工时节约和返工风险降低方面的成效。
07:00 - 展望多基地推广、标准API服务、知识图谱建设、私有化部署和持续优化方向。
07:52 - 汇报结束并致谢。

AI 延伸阅读(下文由AI生成，其内容可能存在偏差，请注意甄别)：

基于大语言模型的核电检修数据智能搜索应用实践

2025年11月14日，中广核智能科技（深圳）有限责任公司软件开发助理工程师廖锦颖在深圳核博会“AI+核能创新应用场景路演”上，围绕《基于大语言模型的检修数据智能搜索应用》进行了分享。报告聚焦核电大修场景中长期存在的数据分散、检索低效、经验难复用等问题，介绍了如何通过大语言模型、RAG检索增强、领域知识库和结构化数据库融合，建设面向检修业务的智能搜索应用。

核电大修每年会产生大量检修数据，包括约三十万份QDR数据以及百万级工单等，这些数据分散在QDREM等多个独立系统中，缺乏统一入口。工程师在处理缺陷、查找历史经验或开展原因分析时，往往需要跨系统反复查询，传统检索又主要依赖关键词匹配，难以理解自然语言中的真实意图、同义表达和关联语义。过去一次检索平均可能耗时二十到四十分钟，查全率不足百分之六十，已经成为影响检修决策效率的重要瓶颈。

项目的核心目标是把检修数据的使用方式从“人找信息”转变为“信息找人”。系统以自然语言交互作为业务入口，使工程师能够通过一句问题获得相对完整的检索结果和经验总结。整体方案采用RAG框架，将大语言模型、领域知识库、关系型数据库以及数据湖仓中的QDR数据结合起来，既发挥大模型在语义理解和总结生成方面的能力，也利用结构化数据库保障查询的准确性和可追溯性。

在总体架构上，项目形成了应用层、服务层、算法层和数据层四位一体的全栈技术框架。应用层提供Web前端和标准API，支撑用户交互及业务系统集成；服务层将核心能力封装为微服务，便于高可用部署和多基地推广；算法层集成语义解析、向量检索、多步推理、结果重排序和答案生成，是智能搜索能力的核心；数据层则依托数据湖仓建设QDR领域数据库，并建立结构化数据与语义知识之间的关联，为持续更新和版本管理提供基础。

在数据治理方面，系统借助大模型的文本理解能力，对QDR数据进行标准化转换和知识库建设。原始检修描述会被自动映射到征兆、处理措施、失效模式、根因等标准字典中，从而把过去大量非结构化、半结构化的检修经验转化为可检索、可统计、可分析的知识资产。通过增量同步和版本管理机制，知识库能够与业务数据保持一致，为后续根因分析、经验沉淀和同类缺陷复用提供可靠基础。

在语义理解方面，系统通过联合模型识别核电机组、系统等十二类实体，并对用户查询意图进行分类。结合领域知识和同义词库，系统能够理解专业术语、同义表达和上下文关联，不再局限于简单关键词匹配。例如，当现场人员输入某种异常现象时，系统可以识别其中涉及的设备、系统、故障表现或时间条件，并将自然语言问题转化为适合检索和分析的结构化任务。

在检索与推理流程上，项目采用多阶段RAG机制。系统首先基于领域知识对用户查询进行意图重写，将设备功能位置码等核电专业信息补充到检索表达中，以扩大召回范围。随后通过语义检索、关键词检索和元数据过滤进行联合召回，兼顾语义相关性和结构化条件匹配。最后再通过Learning to Rank等方法对结果进行重排序，根据不同查询场景自适应选择匹配策略，在查全率和查准率之间取得平衡。

对于复杂问题，系统并不依赖单次大模型调用完成全部任务，而是将问题拆解为意图解析、关键词检索、知识库检索、数据库查询、结果融合和总结生成等多个子任务。较轻量的意图解析任务由小模型承担，复杂语义理解和总结生成则交由大模型完成。这种大小模型协同的方式既提升了响应速度，也增强了系统稳定性。通过连接池管理等工程优化，系统实现了分钟级响应，数据检索准确率也从初期约百分之七十提升至约百分之八十九。

在具体应用逻辑上，系统针对三类典型查询场景采用不同策略。如果用户只输入异常描述，系统会直接调用QDR知识库检索，用于查找历史相似缺陷案例；如果用户的问题不包含异常描述，而是机组、专业、系统、时间等结构化条件明确的精准检索，则优先采用数据库查询；如果用户既包含异常描述，又要求结果高度准确，系统会将QDR知识库检索结果与数据库查询结果取交集，以同时提升结果可靠性和匹配精度。

该应用最直接的价值体现在历史同类缺陷智能检索上。工程师在现场发现异常后，可以直接输入设备问题或异常现象，系统自动返回相似历史QDR案例，并对既有经验进行规范化总结，形成处置建议和经验反馈。这使新手工程师也能通过对话式交互快速获得接近专家级的知识支持，减少对个人经验的依赖，提升现场问题定位和检修决策效率。

系统还支持按机组、专业、时间等多维条件进行筛选，帮助用户在海量检修数据中快速缩小范围。与传统方式相比，平均检索时间由约三十分钟缩短至约两分钟，检索时间减少约百分之九十，每年可节约工程师数千小时工时。同时，历史经验和处置策略能够被更快调用，降低因信息缺失造成的重复分析、返工和检修风险，在大修期间快速响应、经验复用和成本控制方面形成明显价值。

面向未来，项目将继续沉淀可复制的方法论，形成覆盖数据治理、模型优化、运营推广的完整能力体系，并通过标准API支持多基地快速部署和推广。团队还计划与生态伙伴协同打造行业示范应用，推动智能检修能力规模化落地。在技术演进方向上，系统将引入知识图谱，利用功能位置码等关联关系加强设备、缺陷、根因和措施之间的推理分析；同时通过私有化部署提升数据安全等级，并结合持续微调、A/B实验和强化学习，不断优化模型对核电专业语料和业务场景的理解能力，逐步建设面向核电行业的智能知识中枢。