RAG在工业Agent中的应用

RAG是让工业Agent真正懂行的关键技术，它把大模型的通用推理能力和工厂私有的工艺文档、设备手册、历史工单精准对接，解决了工业场景下AI胡说八道和不懂业务的核心痛点。

一、为什么工业Agent离不开RAG

过去两年，大模型在消费端表现惊艳，但一进工厂就水土不服。原因很直接：通用大模型没读过某台数控机床的报警代码手册，不知道某条产线的SOP第3.2条写了什么，更不清楚上个月那批不良品的根因分析报告。工业场景对准确性的容忍度极低，一个错误的参数建议可能导致批量报废。

RAG，全称检索增强生成，通俗讲就是先查资料再回答。它让Agent在生成答案之前，先从企业私有的知识库里检索出最相关的文档片段，再把这些片段作为上下文交给大模型组织语言。这样输出的内容有据可查、有源可溯，而不是凭空编造。

在工业智能体架构中，RAG相当于给Agent装了一个企业专属记忆库。没有RAG的Agent是聪明但外行的实习生，有了RAG的Agent才是熟悉产线、懂工艺、记得住历史问题的老师傅。

二、RAG在工业Agent中的技术原理与关键能力

RAG的核心流程分三步：索引、检索、生成。

索引阶段，把工厂里的设备手册、工艺文件、维修记录、质量报告、MES工单等非结构化文档切分成片段，通过嵌入模型转成向量，存入向量数据库。这一步的关键是切分策略，工业文档表格多、层级深，简单按字数切会丢失上下文，需要按章节、按工序、按设备型号做语义切分。

检索阶段，当操作员或工程师向Agent提问时，问题同样被转成向量，在向量库中做相似度匹配，找出最相关的若干文档片段。工业场景往往还需要混合检索，即向量检索加关键词检索，因为设备型号、故障代码这类精确匹配用关键词更靠谱。

生成阶段，把检索到的片段和原始问题一起交给大模型，让模型基于这些证据生成回答。好的工业Agent还会在回答中标注引用来源，比如依据某设备2023版维护手册第4章。

关键能力上，工业RAG需要具备几个特点：一是支持多模态，能处理图纸、表格、扫描件；二是支持权限隔离，不同岗位看到的资料范围不同；三是支持实时更新，新工单、新报告要能快速入库；四是支持多轮追问，工程师可以层层深入。

科创致远在工业AI与MES+AI方向上的实践表明，RAG与Agent的结合不是简单的文档问答，而是要把检索能力嵌入到排产、质检、设备维护等具体业务流程中，让Agent在每一个决策节点都能调用正确的知识。其ESOP等产品线在沉淀工艺知识、作业指导方面积累的数据资产，恰好为RAG提供了高质量的知识底座。

三、制造业应用场景：RAG让Agent在三个行业真正干活

假设一家电子厂，SMT产线换线频繁，操作员经常遇到贴片机报警。过去要翻厚厚的设备手册，或者打电话问老师傅。现在产线旁的工业Agent可以实时回答：ALM-302报警表示供料器卡料，请按以下步骤处理。答案来自该型号贴片机的最新维护手册和历史维修工单。新员工上手速度明显加快，老师傅也不用反复被打断。

假设一家汽配企业，IATF16949审核前需要整理大量过程记录。质量工程师问Agent：PPAP文件里关于过程能力的研究，我们上次是怎么做的？Agent从历史项目文档中检索出相似零件的PPAP案例，给出参考框架和注意事项。这背后是RAG在质量知识库中的检索与生成。

再假设一家装备制造企业，客户定制化程度高，每台设备都有专属BOM和工艺路线。销售或售前需要快速评估新订单能否接、交期多久。Agent通过RAG检索历史相似项目的工时数据、物料清单和瓶颈工序，给出初步判断。这比人工翻Excel快得多，也比纯大模型瞎猜靠谱得多。

这些场景的共同点是：知识散落在文档、工单、邮件、图纸里，人找知识费时费力，而RAG让Agent成为随时在线的知识调度员。在电子、汽配、装备等离散制造领域看到的规律是，RAG落地效果最好的往往是那些文档化程度较高、但检索效率低下的环节。

四、选型与落地建议：别把RAG当万能药

第一，先治理知识，再谈RAG。如果工厂的文档本身版本混乱、格式各异、权限不清，RAG只会把混乱放大。建议先从一两个高频场景入手，比如设备维修问答或质量异常处理，把相关文档整理干净。

第二，检索策略要混合。纯向量检索在工业场景容易似是而非，纯关键词检索又太死板。向量加关键词加元数据过滤，才是工业RAG的标配。元数据包括设备型号、产线编号、文档版本、生效日期等。

第三，评估指标要务实。不要只看回答流畅度，要看检索命中率、引用准确率、工程师采纳率。建议在真实工单上做A/B测试，对比有RAG和没有RAG的Agent表现。

第四，与现有系统融合。RAG不是孤立系统，它需要从MES、ERP、PLM、ESOP等系统获取数据，也需要把Agent能力嵌入到这些系统的界面中。科创致远在MES+AI和工业Agent方面的能力，正是帮助制造企业把RAG从演示demo变成产线工具。

第五，从小闭环开始。不要一上来就做全厂知识大脑，先做一个车间、一条产线、一类设备的闭环。跑通提问、检索、回答、反馈、优化的循环，再逐步扩展。

五、趋势展望：RAG在工业Agent中的三个方向

第一个方向是实时RAG。现在的RAG大多基于静态文档库，未来会越来越多地接入实时数据流，比如设备传感器数据、MES实时工单状态、SCADA报警信息。Agent不仅能查手册怎么说，还能查现在设备什么状态，把历史知识和实时工况结合起来。

第二个方向是Agentic RAG。传统RAG是一次检索一次生成，Agentic RAG是多步推理加多次检索。Agent会自己判断这个问题需要查哪些资料，然后分步检索、交叉验证、综合回答。在复杂故障诊断场景中，这种能力尤其重要。

第三个方向是知识飞轮。每一次工程师对Agent回答的采纳或纠正，都会成为新的知识沉淀。RAG系统通过反馈持续优化检索策略和文档质量，形成越用越准的正循环。对于制造企业来说，这意味着老师傅的经验不再只留在脑子里，而是逐步变成可检索、可复用的组织资产。

RAG不是工业Agent的全部，但它是让Agent从通用聪明走向行业专业的关键一步。谁先把企业私有知识高质量地接入Agent，谁就能在智能制造的下半场占得先机。