制造业知识管理：Ollama集成ChatGLM3-6B-128K构建FAQ系统

制造业知识管理：Ollama集成ChatGLM3-6B-128K构建FAQ系统

你有没有遇到过这种情况？车间老师傅退休了，他脑子里那套设备调试的“独门秘籍”也跟着走了；新员工遇到设备故障，翻遍厚厚的纸质手册也找不到答案；不同产线的工艺参数标准不一，出了问题互相扯皮。在制造业，知识散落在各个角落——老师傅的经验、设备说明书、工艺文件、维修记录——就像一座座信息孤岛。

传统做法是建个知识库，把文档往里一扔。但真到用的时候，员工要么找不到，要么看不懂。一个复杂的设备故障描述，可能涉及几十页手册的不同章节，让人望而却步。

今天，咱们就来聊聊怎么用两个开源利器——Ollama和ChatGLM3-6B-128K，搭建一个能“听懂人话”、还能“翻箱倒柜”帮你找答案的智能FAQ系统。这个系统不要求你懂深度学习，也不需要昂贵的GPU服务器，用你现有的电脑就能跑起来。

1. 为什么制造业需要智能FAQ？

先说说咱们制造业面临的几个典型问题：

知识传承断层：老员工经验丰富，但往往“只可意会不可言传”。他们退休或离职后，宝贵的实践经验就流失了。

信息查找困难：设备手册动辄几百页，故障代码成千上万。当生产线突然停机，维修人员要在海量文档中快速定位解决方案，简直是大海捞针。

标准执行不一：同样的工艺，不同班组、不同班次可能执行标准不同，导致产品质量波动。

培训成本高昂：新员工上岗前需要长时间培训，熟悉各种设备、工艺、安全规范。

传统的解决方案是建立文档管理系统或Wiki，但效果有限。员工需要知道“关键词”才能搜索，而实际问题往往是自然语言描述的：“这台数控机床报警显示E-045，主轴转速上不去，怎么回事？”

智能FAQ系统的价值就在于，它能理解这种自然语言问题，然后从你的知识库中找出最相关的答案，甚至能综合多份文档给出解决方案。

2. 技术选型：为什么是Ollama + ChatGLM3-6B-128K？

市面上大模型很多，为什么偏偏选这两个组合？咱们从实际应用角度分析一下。

2.1 Ollama：本地化部署的“瑞士军刀”

Ollama最大的优势就是简单。它把大模型部署这个复杂过程，变成了“下载即用”。你不需要配置复杂的Python环境，不用折腾CUDA驱动，更不用研究模型量化。对于制造企业的IT部门来说，这大大降低了技术门槛。

更重要的是，Ollama支持本地部署。这意味着你的所有生产数据、工艺参数、设备信息都在本地服务器上，完全符合制造业对数据安全的高要求。不像某些云端服务，你得担心敏感数据泄露的风险。

2.2 ChatGLM3-6B-128K：为长文档而生的“专业选手”

ChatGLM3-6B-128K是清华智谱AI开源的对话模型，专门针对长文本优化。这里的“128K”不是指模型大小，而是它能处理的上下文长度——大约相当于10万汉字。

这对制造业知识管理太重要了！想想看：

• 一份完整的设备操作手册可能就有几万字
• 故障排查指南往往包含大量案例描述
• 工艺标准文档涉及多个章节和附录

普通模型可能只能记住最近几千字的对话，但ChatGLM3-6B-128K能“记住”相当于一整本专业书的内容。这意味着它能在超长文档中准确找到相关信息，不会因为上下文太长而“失忆”。

而且这个模型对中文支持特别好，理解制造业特有的专业术语和表达习惯，比用英文模型翻译过来要准确得多。

2.3 组合优势：1+1>2

把Ollama的易用性和ChatGLM3-6B-128K的长文本能力结合起来，你就得到了一个：

• 部署简单：几条命令就能跑起来
• 使用方便：提供标准的API接口，方便集成到现有系统
• 处理能力强：能消化整个知识库文档
• 成本可控：可以在消费级显卡上运行
• 数据安全：全部流程都在内网完成

3. 快速部署：10分钟搭建你的智能问答引擎

说了这么多，到底怎么用？咱们一步步来。

3.1 环境准备

首先确保你的电脑满足基本要求：

• 操作系统：Windows 10/11，macOS，或Linux
• 内存：至少16GB（处理长文本需要较大内存）
• 存储空间：20GB以上空闲空间
• 显卡：可选，有NVIDIA显卡（GTX 1060 6G或以上）速度会快很多

3.2 安装Ollama

打开终端（Windows用PowerShell或CMD，macOS/Linux用Terminal），输入以下命令：

Windows用户：

# 下载并安装Ollama curl -fsSL https://ollama.com/install.sh | sh # 或者直接访问官网下载安装包 # https://ollama.com/download

macOS用户：

# 使用Homebrew安装 brew install ollama # 或者下载dmg安装包

Linux用户：

# Ubuntu/Debian curl -fsSL https://ollama.com/install.sh | sh # 或者手动下载安装

安装完成后，在终端输入ollama --version，如果显示版本号就说明安装成功了。

3.3 拉取ChatGLM3-6B-128K模型

这是最关键的一步，但也是最简单的一步：

# 一行命令搞定 ollama pull chatglm3:6b-128k

这个命令会从Ollama的模型库中下载ChatGLM3-6B-128K。下载时间取决于你的网速，模型大小约12GB，一般需要10-30分钟。

下载完成后，运行模型：

# 启动模型服务 ollama run chatglm3:6b-128k

如果看到类似下面的输出，说明模型已经成功运行：

>>> Send a message (/? for help)

按Ctrl+D退出交互模式，模型会在后台继续运行。

3.4 验证部署

打开浏览器，访问http://localhost:11434，如果看到Ollama的API文档页面，说明服务正常运行。

更简单的测试方法是直接用curl发个请求：

curl http://localhost:11434/api/generate -d '{ "model": "chatglm3:6b-128k", "prompt": "你好，请介绍一下你自己", "stream": false }'

如果返回了模型的自我介绍，恭喜你，智能问答引擎已经就位了！

4. 构建制造业知识库：从零到一的实践

模型跑起来了，但现在是“空壳子”，它还没有学习你们公司的专业知识。接下来咱们要喂数据。

4.1 知识来源梳理

制造业的知识通常分布在以下几个地方：

1. 设备文档：操作手册、维护指南、故障代码表
2. 工艺文件：作业指导书、工艺参数表、质量标准
3. 经验记录：维修记录、问题解决案例、改进建议
4. 培训材料：新员工培训手册、安全操作规程
5. 标准规范：ISO文档、行业标准、企业标准

建议先从最重要的开始，比如设备故障处理，这是生产线最急需的。

4.2 知识预处理：让机器“读懂”专业文档

原始文档直接扔给模型效果不好，需要适当处理。咱们以一份数控机床故障手册为例：

原始文档片段：

故障代码：E-045 故障描述：主轴驱动过载 可能原因： 1. 切削参数设置不当 2. 刀具磨损严重 3. 主轴轴承损坏 4. 驱动模块故障 处理步骤： 1. 立即停止加工 2. 检查当前切削参数... （后续省略）

优化后的格式：

【故障代码】E-045 【故障现象】主轴驱动过载报警，主轴转速无法达到设定值 【可能原因】 - 切削参数设置不当：进给速度过快或切削深度过大 - 刀具磨损严重：刀具刃口磨损导致切削力增大 - 主轴机械故障：轴承损坏、主轴变形等 - 电气系统故障：驱动模块过热、电源电压不稳定 【应急处理】 1. 立即按下急停按钮，停止机床运行 2. 记录报警时的加工参数（程序号、转速、进给等） 3. 等待主轴完全停止后，手动转动主轴检查阻力 【详细排查步骤】 步骤1：检查切削参数... （后续省略） 【相关文档】 - 《XX型数控机床操作手册》第45页 - 《刀具使用与维护规范》第12条

看出区别了吗？优化后的格式：

• 结构更清晰，用【】标注关键信息
• 内容更完整，补充了实际现象描述
• 步骤更具体，给出了可操作的建议
• 添加了关联文档，方便追溯

4.3 知识入库：批量处理文档

如果文档不多，可以手动整理。但如果有很多文档，咱们写个Python脚本批量处理：

import os import json from pathlib import Path def process_manufacturing_docs(doc_folder, output_file): """ 处理制造业文档，转换为适合大模型学习的格式 """ knowledge_base = [] # 支持多种文档格式 supported_extensions = ['.txt', '.md', '.pdf', '.docx'] for file_path in Path(doc_folder).rglob('*'): if file_path.suffix.lower() in supported_extensions: try: # 读取文档内容 if file_path.suffix == '.txt': with open(file_path, 'r', encoding='utf-8') as f: content = f.read() elif file_path.suffix == '.md': with open(file_path, 'r', encoding='utf-8') as f: content = f.read() # 其他格式需要相应库处理，这里简化 # 提取关键信息（根据实际文档结构调整） doc_info = { "title": file_path.stem, "content": content[:5000], # 截取前5000字符，避免过长 "source": str(file_path), "type": determine_doc_type(file_path), # 自定义函数判断文档类型 "keywords": extract_keywords(content) # 自定义函数提取关键词 } knowledge_base.append(doc_info) print(f"已处理: {file_path.name}") except Exception as e: print(f"处理失败 {file_path}: {e}") # 保存为JSON格式 with open(output_file, 'w', encoding='utf-8') as f: json.dump(knowledge_base, f, ensure_ascii=False, indent=2) print(f"处理完成，共{len(knowledge_base)}个文档") return knowledge_base def determine_doc_type(file_path): """根据文件名判断文档类型""" filename = file_path.name.lower() if '故障' in filename or '报警' in filename: return 'troubleshooting' elif '操作' in filename or '手册' in filename: return 'manual' elif '工艺' in filename or '参数' in filename: return 'process' elif '安全' in filename: return 'safety' else: return 'other' def extract_keywords(content): """简单关键词提取（实际应用可以用更复杂的方法）""" # 这里是简化版，实际可以用jieba等分词库 manufacturing_keywords = ['故障', '报警', '维修', '保养', '参数', '设置', '调整', '检查', '更换', '清洁'] found_keywords = [kw for kw in manufacturing_keywords if kw in content] return found_keywords[:5] # 返回前5个关键词 # 使用示例 if __name__ == "__main__": # 设置你的文档文件夹路径 doc_folder = "./manufacturing_docs" output_file = "./knowledge_base.json" if not os.path.exists(doc_folder): os.makedirs(doc_folder) print(f"请将文档放入 {doc_folder} 文件夹后重新运行") else: kb = process_manufacturing_docs(doc_folder, output_file)

这个脚本会把指定文件夹里的文档转换成结构化的知识库。实际使用时，你可能需要根据文档格式调整处理逻辑。

5. 实现智能问答：让系统真正“智能”起来

有了知识库，现在要让模型学会使用这些知识。这里有个关键概念：RAG（检索增强生成）。

简单说，就是当用户提问时，系统先到知识库里找到相关文档，然后把文档和问题一起交给模型，让模型基于这些文档生成答案。这样既保证了答案的准确性，又利用了模型的自然语言理解能力。

5.1 基础问答实现

先实现一个最简单的版本：

import requests import json class ManufacturingFAQSystem: def __init__(self, ollama_url="http://localhost:11434"): self.ollama_url = ollama_url self.model_name = "chatglm3:6b-128k" self.knowledge_base = self.load_knowledge_base() def load_knowledge_base(self): """加载知识库""" try: with open("./knowledge_base.json", "r", encoding="utf-8") as f: return json.load(f) except FileNotFoundError: print("知识库文件不存在，请先构建知识库") return [] def search_relevant_docs(self, question, top_k=3): """在知识库中搜索相关问题文档（简化版）""" relevant_docs = [] # 简单的关键词匹配（实际应用应该用更智能的搜索） for doc in self.knowledge_base: relevance_score = 0 # 检查标题是否相关 for keyword in doc.get("keywords", []): if keyword in question: relevance_score += 2 # 检查内容是否相关 content_preview = doc.get("content", "")[:500] for keyword in doc.get("keywords", []): if keyword in question and keyword in content_preview: relevance_score += 1 if relevance_score > 0: relevant_docs.append({ "doc": doc, "score": relevance_score }) # 按相关性排序 relevant_docs.sort(key=lambda x: x["score"], reverse=True) # 返回最相关的几个文档 return [item["doc"] for item in relevant_docs[:top_k]] def build_prompt(self, question, relevant_docs): """构建给模型的提示词""" prompt = """你是一个制造业专家助手，请根据提供的参考资料回答用户问题。 参考资料： """ # 添加相关文档 for i, doc in enumerate(relevant_docs, 1): prompt += f"\n【文档{i}】{doc.get('title', '未知标题')}\n" prompt += f"内容：{doc.get('content', '')[:1000]}\n" # 截取部分内容 prompt += f""" 用户问题：{question} 请根据以上参考资料回答，如果参考资料中没有相关信息，请如实说明。 回答要求： 1. 基于参考资料，不要编造信息 2. 如果参考资料中有具体步骤，请按步骤说明 3. 如果涉及安全操作，请特别强调安全注意事项 4. 回答要简洁明了，便于现场操作人员理解 回答： """ return prompt def ask_question(self, question): """向FAQ系统提问""" # 1. 搜索相关文档 relevant_docs = self.search_relevant_docs(question) if not relevant_docs: return "抱歉，在现有知识库中没有找到相关问题的解答。" # 2. 构建提示词 prompt = self.build_prompt(question, relevant_docs) # 3. 调用Ollama API try: response = requests.post( f"{self.ollama_url}/api/generate", json={ "model": self.model_name, "prompt": prompt, "stream": False, "options": { "temperature": 0.1, # 低温度，让回答更确定 "num_predict": 1000 # 最大生成长度 } }, timeout=30 ) if response.status_code == 200: result = response.json() answer = result.get("response", "").strip() # 添加参考资料引用 if answer and relevant_docs: answer += "\n\n【参考资料】" for doc in relevant_docs: answer += f"\n- {doc.get('title', '未知标题')}" return answer else: return f"请求失败，状态码：{response.status_code}" except Exception as e: return f"请求出错：{str(e)}" def interactive_mode(self): """交互式问答模式""" print("制造业智能FAQ系统已启动！") print("输入'退出'或'quit'结束对话") print("-" * 50) while True: question = input("\n请输入问题：").strip() if question.lower() in ['退出', 'quit', 'exit']: print("感谢使用，再见！") break if not question: continue print("\n思考中...") answer = self.ask_question(question) print(f"\n回答：{answer}") # 使用示例 if __name__ == "__main__": faq_system = ManufacturingFAQSystem() # 测试几个制造业典型问题 test_questions = [ "数控机床报警E-045怎么处理？", "如何保养加工中心的导轨？", "焊接工艺参数怎么设置？" ] for q in test_questions: print(f"\n问题：{q}") answer = faq_system.ask_question(q) print(f"回答：{answer[:200]}...") # 只打印前200字符 print("-" * 50) # 启动交互模式 # faq_system.interactive_mode()

这个基础版本已经能工作了，但搜索功能比较简陋。下面咱们升级一下。

5.2 升级版：使用向量搜索

关键词匹配的缺点是只能找到字面相关的文档。比如“主轴不转”和“主轴无法启动”意思一样，但字面不同就匹配不上。用向量搜索可以解决这个问题。

import numpy as np from sentence_transformers import SentenceTransformer import pickle import os class EnhancedFAQSystem(ManufacturingFAQSystem): def __init__(self, ollama_url="http://localhost:11434"): super().__init__(ollama_url) self.embedding_model = None self.doc_embeddings = None self.load_or_create_embeddings() def load_embedding_model(self): """加载文本向量化模型""" # 使用轻量级的中文模型 try: model = SentenceTransformer('paraphrase-multilingual-MiniLM-L12-v2') print("向量模型加载成功") return model except: print("加载向量模型失败，使用备用方案") return None def create_document_embeddings(self): """为知识库文档创建向量索引""" if self.embedding_model is None: self.embedding_model = self.load_embedding_model() if self.embedding_model is None: print("无法创建向量索引，回退到关键词搜索") return print("正在创建文档向量索引...") # 为每个文档创建向量 doc_texts = [] for doc in self.knowledge_base: # 组合标题和内容作为文档表示 text = f"{doc.get('title', '')} {doc.get('content', '')[:500]}" doc_texts.append(text) # 批量生成向量 embeddings = self.embedding_model.encode(doc_texts, show_progress_bar=True) # 保存向量索引 self.doc_embeddings = embeddings with open("./doc_embeddings.pkl", "wb") as f: pickle.dump({ "embeddings": embeddings, "doc_info": self.knowledge_base }, f) print(f"向量索引创建完成，共{len(embeddings)}个文档") def load_or_create_embeddings(self): """加载或创建向量索引""" if os.path.exists("./doc_embeddings.pkl"): try: with open("./doc_embeddings.pkl", "rb") as f: data = pickle.load(f) self.doc_embeddings = data["embeddings"] # 确保知识库与向量索引一致 if len(self.knowledge_base) == len(data["doc_info"]): self.knowledge_base = data["doc_info"] print("向量索引加载成功") except: print("加载向量索引失败，重新创建") self.create_document_embeddings() else: self.create_document_embeddings() def search_relevant_docs(self, question, top_k=3): """使用向量搜索查找相关文档""" # 如果向量索引不存在，回退到父类的方法 if self.doc_embeddings is None or self.embedding_model is None: return super().search_relevant_docs(question, top_k) # 将问题转换为向量 question_embedding = self.embedding_model.encode([question])[0] # 计算余弦相似度 similarities = [] for i, doc_embedding in enumerate(self.doc_embeddings): # 余弦相似度 similarity = np.dot(question_embedding, doc_embedding) / ( np.linalg.norm(question_embedding) * np.linalg.norm(doc_embedding) ) similarities.append((i, similarity)) # 按相似度排序 similarities.sort(key=lambda x: x[1], reverse=True) # 返回最相关的文档 relevant_docs = [] for idx, similarity in similarities[:top_k]: if similarity > 0.3: # 相似度阈值 doc = self.knowledge_base[idx].copy() doc["similarity_score"] = float(similarity) relevant_docs.append(doc) return relevant_docs def ask_question(self, question, use_rag=True): """提问，可选择是否使用RAG""" if not use_rag: # 直接问模型，不使用知识库 try: response = requests.post( f"{self.ollama_url}/api/generate", json={ "model": self.model_name, "prompt": f"问题：{question}\n请以制造业专家的身份回答：", "stream": False }, timeout=30 ) if response.status_code == 200: return response.json().get("response", "").strip() else: return "请求失败" except Exception as e: return f"请求出错：{str(e)}" else: # 使用RAG（检索增强生成） return super().ask_question(question) # 使用示例 if __name__ == "__main__": # 初始化增强版FAQ系统 enhanced_faq = EnhancedFAQSystem() # 测试向量搜索效果 test_questions = [ "机床主轴不动了怎么办？", # 与"主轴不转"相似 "加工中心怎么维护？", "设备报警怎么处理？" ] for q in test_questions: print(f"\n问题：{q}") # 搜索相关文档 relevant_docs = enhanced_faq.search_relevant_docs(q, top_k=2) print(f"找到 {len(relevant_docs)} 个相关文档") for doc in relevant_docs: print(f" - {doc.get('title', '未知')} (相似度: {doc.get('similarity_score', 0):.3f})") # 获取答案 answer = enhanced_faq.ask_question(q) print(f"回答：{answer[:150]}...") print("-" * 50)

向量搜索能更好地理解问题的语义，找到真正相关的文档，即使字面不匹配。

6. 实际应用：制造业典型场景示例

理论说完了，看看在实际生产环境中怎么用。

6.1 场景一：设备故障快速排查

问题：夜班操作员报告“数控车床加工时突然停机，报警显示E-045，主轴转速显示为0”。

传统做法：操作员打电话给维修主管，主管从家里赶到现场，翻看纸质手册，可能还要打电话问老师傅。

智能FAQ做法：

1. 操作员在车间电脑上输入问题：“数控车床报警E-045，主轴不转了怎么办？”
2. 系统在1秒内返回答案：

   根据故障手册，E-045是主轴驱动过载报警。 立即执行： 1. 按下急停按钮，确保安全 2. 检查主轴温度是否异常（正常应低于60°C） 3. 检查刀具是否磨损或崩刃 4. 查看最近一次加工的切削参数 可能原因及处理： - 切削参数过大：降低进给速度或切削深度 - 刀具问题：更换新刀具 - 机械故障：联系维修人员检查主轴轴承 - 电气故障：检查驱动模块指示灯 参考文档：《XX数控车床故障手册》第45页

3. 操作员按照指引初步排查，如果是简单问题（如刀具磨损）当场解决，复杂问题再呼叫维修。

6.2 场景二：新员工培训与指导

问题：新员工第一次操作激光切割机，不确定参数怎么设置。

传统做法：找老师傅带，或者自己翻300页的操作手册。

智能FAQ做法：

1. 新员工提问：“激光切割不锈钢板，厚度2mm，怎么设置参数？”
2. 系统综合多份文档给出建议：

   针对2mm不锈钢板激光切割推荐参数： 基础参数： - 功率：1200-1500W - 速度：2-3米/分钟 - 频率：200-300Hz - 气压：0.8-1.2Bar（氮气保护） 注意事项： 1. 先在小料上试切，调整焦点位置 2. 确保板材表面清洁无油污 3. 使用氮气防止氧化，获得亮面切割 4. 监控切割背面挂渣情况 安全提醒： - 佩戴防护眼镜 - 确保排烟系统正常工作 - 切割完成后等待平台冷却再取件 参考：《激光切割机操作规范》第3章 《不锈钢加工工艺卡》编号SS-2023-02

6.3 场景三：工艺标准查询

问题：质检员发现一批零件尺寸超差，需要查工艺标准。

传统做法：翻找纸质工艺文件，可能版本不对或找不到。

智能FAQ做法：

1. 输入：“零件号P-2024-056的尺寸公差标准是多少？”
2. 系统直接从最新版工艺文件中提取：

   零件P-2024-056（主轴箱体）关键尺寸公差： 1. 主轴孔直径：φ80H6 (+0.019/0) 2. 端面跳动：≤0.01mm 3. 平面度：≤0.02mm/100mm 4. 孔距公差：±0.02mm 检测方法： - 使用三坐标测量机 - 环境温度要求：20±2°C - 测量前恒温4小时 最新版本：Rev.3.2 (2024年5月修订) 生效日期：2024年6月1日 参考：《精密零件加工标准》第4.2节

7. 系统优化与进阶功能

基础功能实现了，但要让系统真正好用，还需要一些优化。

7.1 多轮对话支持

实际使用中，用户往往需要连续问多个相关问题。比如先问“E-045报警怎么办”，接着问“怎么检查主轴轴承”，再问“轴承更换步骤”。

class ConversationalFAQSystem(EnhancedFAQSystem): def __init__(self, ollama_url="http://localhost:11434"): super().__init__(ollama_url) self.conversation_history = [] self.max_history_length = 5 # 保留最近5轮对话 def ask_with_context(self, question): """考虑对话历史的提问""" # 构建包含历史的提示词 context_prompt = "以下是之前的对话历史：\n" for i, (q, a) in enumerate(self.conversation_history[-self.max_history_length:]): context_prompt += f"用户{i+1}: {q}\n" context_prompt += f"助手{i+1}: {a[:200]}...\n\n" context_prompt += f"当前问题：{question}\n" context_prompt += "请根据对话历史和知识库回答：" # 搜索相关文档（基于当前问题和历史） combined_query = question for q, _ in self.conversation_history[-2:]: # 最近两个问题 combined_query += " " + q relevant_docs = self.search_relevant_docs(combined_query) # 构建完整提示词 full_prompt = self.build_prompt(context_prompt, relevant_docs) # 调用模型 try: response = requests.post( f"{self.ollama_url}/api/generate", json={ "model": self.model_name, "prompt": full_prompt, "stream": False, "options": { "temperature": 0.2, "num_predict": 1500 } }, timeout=30 ) if response.status_code == 200: answer = response.json().get("response", "").strip() # 保存到历史 self.conversation_history.append((question, answer)) if len(self.conversation_history) > self.max_history_length * 2: self.conversation_history = self.conversation_history[-self.max_history_length * 2:] return answer else: return "请求失败" except Exception as e: return f"请求出错：{str(e)}" def clear_history(self): """清空对话历史""" self.conversation_history = []

7.2 答案可信度评估

不是所有问题都能在知识库找到答案。系统应该能判断答案的可信度。

def ask_question_with_confidence(self, question): """带可信度评估的提问""" # 搜索相关文档 relevant_docs = self.search_relevant_docs(question, top_k=5) if not relevant_docs: return { "answer": "在现有知识库中没有找到相关问题的解答。", "confidence": 0.0, "sources": [] } # 计算总体可信度（基于最相关文档的相似度） top_similarity = max([doc.get("similarity_score", 0) for doc in relevant_docs]) # 高相似度 (>0.7) 表示很可能有答案 # 中等相似度 (0.4-0.7) 表示可能有相关但不完全匹配的内容 # 低相似度 (<0.4) 表示相关性较弱 if top_similarity > 0.7: confidence = 0.9 elif top_similarity > 0.4: confidence = 0.6 else: confidence = 0.3 # 获取答案 prompt = self.build_prompt(question, relevant_docs[:3]) # 只用最相关的3个 answer = self.get_answer_from_model(prompt) # 检查答案是否包含"没有找到"等短语 low_confidence_phrases = ["没有找到", "无法回答", "不知道", "不了解"] if any(phrase in answer for phrase in low_confidence_phrases): confidence = max(confidence - 0.3, 0.1) return { "answer": answer, "confidence": round(confidence, 2), "sources": [doc.get("title", "未知") for doc in relevant_docs[:3]], "top_similarity": round(top_similarity, 3) }

7.3 知识库自动更新

知识库不是一成不变的，新设备、新工艺、新问题不断出现。系统应该支持便捷的知识更新。

def add_document_to_kb(self, title, content, doc_type="manual", keywords=None): """向知识库添加新文档""" new_doc = { "title": title, "content": content, "type": doc_type, "keywords": keywords or [], "timestamp": datetime.now().isoformat() } # 添加到知识库 self.knowledge_base.append(new_doc) # 更新向量索引 if self.embedding_model is not None: text = f"{title} {content[:500]}" new_embedding = self.embedding_model.encode([text])[0] if self.doc_embeddings is None: self.doc_embeddings = np.array([new_embedding]) else: self.doc_embeddings = np.vstack([self.doc_embeddings, new_embedding]) # 保存到文件 self.save_knowledge_base() print(f"文档 '{title}' 已添加到知识库") return True def save_knowledge_base(self): """保存知识库到文件""" # 保存文档数据 with open("./knowledge_base.json", "w", encoding="utf-8") as f: json.dump(self.knowledge_base, f, ensure_ascii=False, indent=2) # 保存向量索引 if self.doc_embeddings is not None: with open("./doc_embeddings.pkl", "wb") as f: pickle.dump({ "embeddings": self.doc_embeddings, "doc_info": self.knowledge_base }, f)

8. 部署与集成建议

8.1 硬件配置建议

根据企业规模选择合适配置：

8.2 系统集成方案

1. Web界面：用Flask或FastAPI做个简单界面

   from flask import Flask, request, jsonify, render_template app = Flask(__name__) faq_system = ConversationalFAQSystem() @app.route('/') def index(): return render_template('index.html') @app.route('/api/ask', methods=['POST']) def ask(): data = request.json question = data.get('question', '') use_rag = data.get('use_rag', True) if use_rag: result = faq_system.ask_question_with_confidence(question) else: answer = faq_system.ask_question(question, use_rag=False) result = {"answer": answer, "confidence": 0.5, "sources": []} return jsonify(result) if __name__ == '__main__': app.run(host='0.0.0.0', port=5000, debug=True)

2. 微信/钉钉集成：通过机器人接口接入企业IM

3. MES/ERP集成：与现有制造执行系统对接，直接在工位终端使用

8.3 维护与更新

1. 定期更新知识库：每月检查一次，添加新文档、更新旧文档
2. 监控系统使用：记录常见问题，优化知识覆盖
3. 用户反馈机制：让员工可以给答案评分或补充信息
4. 性能监控：关注响应时间，优化搜索算法

9. 总结

通过Ollama和ChatGLM3-6B-128K构建制造业FAQ系统，咱们实现了一个成本低、部署简单、效果实用的智能知识管理方案。这个系统有几个明显优势：

降低技术门槛：不用深度学习专家，普通IT人员就能维护。Ollama的一键部署让大模型不再神秘。

数据安全可控：所有数据都在本地，敏感的生产工艺、设备参数不会泄露。

长文本处理能力强：ChatGLM3-6B-128K能处理整个设备手册，确保答案的完整性。

持续进化：随着使用，系统会积累更多问答数据，可以反过来优化知识库。

成本效益高：相比动辄几十万的商业系统，这个方案几乎零成本（除了电费）。

实际部署时，建议从小范围试点开始。选一个痛点最明显的场景，比如某个关键设备的故障处理，先跑起来。收集3个月的使用数据，看看员工是否爱用，答案是否准确，再逐步推广到其他场景。

制造业的数字化转型不是一蹴而就的，智能FAQ系统可以作为一个很好的切入点。它不改变现有流程，只是让已有的知识更容易被找到、更容易被使用。当每个员工都能像问老师傅一样问系统，当每次故障都能在几分钟内找到解决方案，你会看到生产效率、产品质量和员工满意度的实实在在提升。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。