AI 与智能体基础知识沉淀

阅读导引

这篇笔记把 AI、智能体、ChatBI、知识库、RAG、提示工程和模型实践相关内容整理成可复用知识。

核心观点

1. 工业 AI 的知识库重点不只是 RAG，而是可验证

传统 RAG 常见链路是“问题 → 向量检索 → Top-K Chunk → LLM 回答”。但在工业场景里，仅能回答还不够，关键是：

• 回答能否追溯到明确来源；
• 检索结果是否经过重排和验证；
• 答案是否能解释边界条件和不确定性；
• 是否能把项目文档、说明书、接口和历史经验统一管理。

因此，知识库建设应优先关注 Citation（可追溯引用） 和 Verification（验证）。

2. ChatBI 的关键在语义层，而不是让模型直接写 SQL

ChatBI 类系统要稳定落地，需要在数据库和自然语言之间建立语义层：

flowchart LR
  User[用户问题] --> LLM[意图理解]
  LLM --> Semantic[指标/维度语义层]
  Semantic --> Query[查询生成]
  Query --> DB[数据库]
  DB --> Result[结果解释与图表]

如果缺少语义层，模型直接生成 SQL 会带来字段歧义、指标口径不一致、权限和安全问题。

3. 多智能体适合工业系统，但要控制上下文污染

OneNote 中多次讨论了分层智能体/多智能体：主智能体负责协调，领域智能体负责具体系统，例如 IRUN、拧紧、产线性能等。这种模式适合工业平台，但要注意：

• 主智能体不能越权直接执行子智能体技能；
• 子智能体需要保留自己的领域记忆；
• 调度链路过长会导致延迟和上下文污染；
• 用户入口应尽量统一，内部再做路由。

4. 提示工程是产品能力，不只是技巧

提示工程可分为指令、上下文、输入数据和输出格式四部分。工业场景中尤其要强调：

• 输出格式稳定；
• 引用来源清楚；
• 对不确定数据明确说明；
• 避免模型把推测当事实；
• 对操作类任务保留确认机制。

5. 模型选型应按任务拆分

不同模型适合不同任务：

• LLM：综合理解、问答、规划、报告生成；
• Embedding：文档召回；
• Reranker：提升检索质量；
• 专用模型：曲线异常、质量诊断、预测维护。

工业 AI 平台不应只依赖一个大模型，而应采用“LLM + 检索 + 专用模型 + 工具”的组合。