基于外掛專業知識庫的AI大模型搭建方案與其在智能制造中的應用

中圖分類號：TP39

文獻標識碼：A 文章編號：2096-4706（2025）16-0194-05

Al Large Model Building Solution Based on External Professional Knowledge Base and its Application in Intelligent Manufacturing

LI Chenyang， CAI Dong，LING Li， WANG Fengwei， ZHANG Jian， CHEN Yihui， TAO Jie (Xi'an ZhongxingNew Software Co.，Ltd.，Xi'an 71o065，China)

Abstract: Withthe digital transformation of global manufacturing，intellgent manufacturing has become a key driving force forimproving production efficiencyandproductquality.Inaddition，therapid developmentofArtificial Intelligence (AI) technologies，especialltheapplicationoflargemodels，providesnewopportunitiesforthedevelopmentofintelgnt manufacturing.ArtificialIntellgene，especiallytheriseoflargemodels (suchasGPT-4andBERT)，providespowerfulalgorith support forvarious functions (suchasdesign，production，andlogistics)ofthe manufacturing industry.However，althoughAI playsanincreasinglyimportantoleintemanufacturigfeld，teexerciseofitsorecapabilitiesisstillimitedbytelackof specificknowledgebackgrounds.ThispaperprovidesasolutionforbuildingalargemodelofAIexternalprofesionalknowledge basetosupporttheapplicationoftheAILargeModelinintellgentmanufacturing tomaximize itsbenefits.Thissolutionhas been widely used in alarge manufacturing enterprise，bringing quality，cost and other benefits to the enterprise.

Keywords:AI Large Model; intelligent manufacturing; knowledge bast

0 引言

在全球化競爭與技術迅猛發展的雙重驅動下，制造業正面臨著前所未有的變革需求。工業4.0時代以智能制造為核心，推動著生產過程的自動化與智能化進程。智能制造通過集成物聯網（IoT）、大數據分析、云計算以及人工智能（AI）技術，旨在顯著提高生產效率、優化資源配置并提升產品質量。然而，盡管智能制造的概念被廣泛接受，其實現路徑仍存在諸多挑戰，其中之一便是這些通用模型在特定行業應用中往往面臨缺乏領域特定知識的問題，從而限制了其決策準確性和可解釋性。為此，外掛專業知識庫為大模型提供了必要的領域知識補充，使其在特定應用場景中能夠更具上下文理解力和決策支持能力。外掛專業知識庫通過收集和系統化專家經驗、行業標準和操作流程等特定領域的知識，使AI系統在數據分析和決策時具有更高的準確性和相關性。這種結合不僅在多層面提升了生產線的自動化水平，同時也支持了更復雜的決策任務，例如預測性維護、產品設計優化以及常見技術問題解決方案等。

本文旨在探討外掛專業知識庫如何搭建到AI大模型中，增強其在智能制造中的應用能力。通過剖析行業成功案例，揭示該技術在實際環境中的效能，并指出當前存在的技術挑戰和未來的發展方向。

1基本概念簡述

1.1 智能制造

智能制造是指利用物聯網、云計算、大數據和

AI技術，實現對生產流程的全方位感知、優化、決策和執行。智能制造的目標是構建以數據驅動的自適應生產系統，以應對快速變化的市場需求。

然而，該轉型面臨諸多挑戰，如數據復雜性、系統集成困難和技術創新不足等。

1.2 AI大模型

AI大模型（LargeAIModel）一般指的是具有大量參數和高度復雜結構的人工智能模型，通常是基于神經網絡，特別是深度學習方法構建的。這些模型以其卓越的性能和多功能性引起廣泛關注，能夠在多種任務中超越傳統AI系統的表現。AI大模型最顯著的特征是其巨大的規模和復雜性，通常包含數十億甚至上萬億的參數。例如，OpenAI開發的GPT和Google的BERT就是典型的大模型。這些模型通過在龐大的數據集上進行訓練，可以學習和提取數據中的復雜模式和特征，從而在各種自然語言處理（NLP）任務中表現出色，包括語言生成、翻譯、總結和問答。

然而，盡管AI在制造領域發揮的作用日益增強，其核心能力的發揮依舊受限于特定知識背景的欠缺。

1.3 外掛知識庫

外掛知識庫是指在人工智能系統中作為輔助模塊存在的知識存儲與檢索系統，旨在為AI模型提供額外的、通用領域之外的專業或外部信息支持。這樣的知識庫可以幫助AI克服僅依賴于訓練數據中信息所導致的局限性，從而提升AI模型在具體領域中的表現和準確性。

2基于外掛專業知識庫的AI大模型搭建方案

面對智能制造中的復雜需求，僅依賴AI大模型的固有學習能力已不足以應對特定行業的深度應用場景。一方面，通用AI模型需要適應不同制造環境中的獨特需求，另一方面，它們也必須在快速變化的市場條件下快速調適自身的認知策略。在這一背景下，整合行業知識的專業知識庫的引入無疑為AI系統提供了必要的知識深度和靈活性[1-3]。

基于上述結論，某公司組織研發骨干數十人，經過半年多的研發測試，開發出一套基于外掛專業知識庫的AI大模型搭建方案，成功運用到智能制造多個場景。該方案搭建的主要步驟如下。

2.1搭建基于LangChain的大模型云端服務器

搭建基于LangChain的大模型云端服務器有助于充分利用現代大語言模型（LLMs）的能力，通過云端環境的靈活性實現高效的自然語言處理任務。在開始搭建之前，需要對LangChain的基本概念有一個清晰的理解。

LangChain是一個開源框架，旨在為語言模型應用構建強大的工具鏈。它的設計目標是簡化將大型語言模型集成到應用程序中的過程，同時為開發者提供高效處理復雜NLP任務的工具。

搭建基于LangChain的大模型云端服務器涉及多個步驟，從環境準備到部署最終應用。以下是詳細的實施步驟。

2.1.1 環境準備

環境準備的具體內容如下：

1）選擇云服務提供商。選擇一個合適的云服務提供商，如AWS、GoogleCloud或Azure。確保提供商支持所需的計算資源和網絡連接。

2）配置服務器實例。根據需求創建計算實例，配置足夠的CPU、GPU和內存以支持大模型的運行。通常，使用具有高GPU能力的實例（如AWSEC2P3或GCP的A2系列）有助于加速模型推理。

3）安裝必要的工具。在服務器上安裝Python和相關依賴項。使用virtualenv或Conda創建隔離的Python環境。還需要安裝LangChain庫，以及相關的LLM模型支持庫（如transformers）。

2.1.2 部署LangChain應用

部署LangChain應用的具體內容如下：

1）設置代碼結構。創建一個項目目錄，配置項目結構以便管理鏈、代理和工具組件。可以通過Git進行代碼管理，便于協作和更新。

2）定義鏈結構。使用LangChain的API定義所需的鏈，組合不同的操作步驟，根據具體應用場景優化鏈的順序和內部邏輯。

3）集成語言模型。選擇合適的語言模型，例如通義千問或Meta的LLaMA系列，確保它們與LangChain的接口兼容。在鏈中配置使用這些模型的步驟，并調整參數以優化性能。

4)工具和代理配置。設置需要使用的工具和代理，通過API密鑰和端點連接外部數據源和服務。定義能夠動態調用這些工具的邏輯，以支持復雜任務需求。

2.1.3 部署與測試

部署與測試的內容如下：

1）初步測試。本地進行初步測試，確保鏈和代理按預期工作。驗證輸入輸出是否符合應用期待的邏輯和準確性。本地測試50條數據，包括輸入、希望輸出、實際輸出等參數，最后結果，語義相似度 95% 以上，達到預期。

2）部署到云端。將經過測試的LangChain應用程序部署到云端服務器。可以使用Docker容器化應用，保證在不同環境下的部署一致性。測試50條數據，包括輸入、希望輸出、實際輸出等參數，最后結果，語義相似度 93% 以上，達到預期。

2.2 搭建基于LangChain的知識庫

搭建一個基于LangChain的知識庫是實現強大自然語言處理（NLP）系統的重要步驟，特別是在需要利用大語言模型（LLMs）執行復雜任務時。LangChain的設計旨在幫助開發者輕松地集成、管理和利用外部知識源，從而大大擴展LLMs的能力。

在LangChain架構中，知識庫的主要目的在于提供結構化的信息檢索和動態數據訪問，它們可用于回答復雜問題、支持決策和增強對話系統的上下文理解。

2.3豐富專業文檔并微調切片方案

知識庫建好之后，需要上傳大量專業文檔供知識庫切片學習。同時在上傳文檔之前，需要對文檔進行清洗。

2.3.1 文檔清洗

文檔清洗是數據預處理階段的一個重要步驟，尤其是在自然語言處理（NLP）和機器學習任務中。它的目的是將原始文檔中的噪聲和不必要的信息去除，以獲得更為精確和高質量的數據輸入。具體而言，文檔清洗涉及多個關鍵環節：

1）去除冗余數據。刪除重復行和重復文檔，確保數據集中每個條目是唯一的，減少冗余數據可能帶來的偏差。去除空行和空值，清除沒有實際內容的行，以保證數據的一致性。

2）標準化格式。統一字符編碼，如從不同來源獲取的數據可能使用不同的編碼方式，需要轉換為統一的格式，如UTF-8。

3）噪聲過濾。去除特殊符號，包括標點符號、HTML標簽、標記語言符號等，使文本處理更簡單。

4）數據完整性檢查。一致性驗證，確保所有數據符合預期的格式和類型，檢查異常值和沖突信息[4-6]。

2.3.2 知識庫切片算子微調

切片算子是指在知識庫中應用的一種算法策略，通過對數據進行邏輯或物理上的分割，將大型知識庫劃分為若干更小、更具可管理性的片段。這種分割能使知識庫訪問更具針對性，減少無關信息干擾，并優化查詢效率。

知識庫切片算子微調是一種優化方法，旨在通過微調切片算法對知識庫中的數據進行有效分割與管理，進而提升信息檢索和應用效果。在大規模數據和復雜生態系統中，切片算子起到關鍵作用，它支持動態信息處理和高效知識提取。

通過對知識庫切片算子的有效微調，組織能更準確地響應變化中的業務需求和用戶期待，大幅提高知識庫系統在實時性、創新性和智能化方面的應用潛力，如圖1所示。

圖1知識庫切片應用方案

圖2外掛專業知識庫

3AI大模型在智能制造中的實驗及應用

上述已經訓練好的自帶知識庫的大模型，可以對外提供相關API接口，用戶通過調用該接口能夠實現多種場景的應用。

在智能制造領域，上述AI大模型可以被應用于提升生產效率、優化流程和提高產品質量。由于該AI大模型結合外掛專業知識庫，其功能和效能可以進一步得到增強。這種結合能夠實現更具智能化和創新性的生產管理和決策支持。

3.1知識庫增強模型的知識廣度和深度

如圖2所示，外掛專業知識庫可以為AI大模型提供海量且專業的領域知識。這些知識庫涵蓋了制造業的各個方面，例如材料科學、生產工藝、設備維護和產業標準等。通過與AI模型的集成，知識庫可以幫助模型理解更復雜的行業背景和專業術語，提升對獲取信息的準確解讀。

V

5] Prompt 文識車裝備知識庫

1 + 建又件 Q人美子文庫 □綠合知識 文件名 文大小 知識類型 留酷

定義 基罰08A0516.057 區·羽 326? Q8A 聲 III 下多FAQ2008 ·60433 QA SIII 下更多其20210516.c ·1552 QA S 下 更信息化科開發組FAQ8515.05V ·32122 Q8A RN 下信息化科21-.c ·7051 QIA 李 下多基用開發組FAQ105-NS 區可 3857 Q8A 越 下基開細際定失措時FAQ05.V 3017 QBA 下更多EC醫本品庫提交程dox 419228 文檔文件 T 下更TP n5 taea T4m iem Tm a中..

3.2 實時決策支持

在制造過程中，實時分析和決策至關重要。結合知識庫，AI模型能夠快速訪問最新的行業標準和最佳實踐，幫助工廠在面對突發問題時快速制定解決方案，如圖3所示。例如，在設備出現故障時，AI模型可以參考知識庫中的維護手冊以及歷史故障案例，提供準確的故障診斷和維護建議。

圖3問題快速定位

3.3生產流程及人崗匹配優化

通過分析生產數據和外掛知識庫的信息，AI大模型可以識別流程中的瓶頸和冗余。它能夠提供基于數據驅動的優化建議，從而提高生產效率。比如，智能調度系統可以結合實時訂單和生產能力，優化生產計劃，根據員工的技能進行合理的人崗匹配安排，如圖4所示，減少切換時間和資源浪費。

3.4質量控制和預測性維護

外掛知識庫為AI模型提供關于材料特性、工藝參數和質量檢驗標準的詳細信息，使其在質量控制過程中更有效率。通過數據分析，AI模型可以預測可能出現的產品缺陷并提前采取措施，如圖5所示。此外，結合知識庫的設備維護信息，AI模型可以對設備進行預測性維護，減少意外停機時間。

圖4智能人崗匹配

圖5智能維修

大 功能名稱 數量 占比 備注 數據源 總記錄 失敗數數數占 失敗且有ERROBCODE有錯誤碼的失敗數 字典項：原因名稱 維修器件信息

的功能 主表 2972760250942 8.44% 109694 43.71% 試設備改障 25

00 43 歷史表 6613036489 55.18% 18601 5. 和BOM、電路圖有關，非流一內容，例：

08 校準 40266 36， 67% 合計 3038890287431 9.46% 128295 代 位號

16 作測 62021 56.54% 數 失 失敗# 6.27 主表歷 E 110 上E406LA1

失錯 史 8058 127 15.84

碼中 功能名稱 數量 占比 各注 表 3 65 5 11356 88.96 5440 42.629 重 不 SCA44

8 5875 31.58% 計 合 719 305 4.24% 100706 33.01% 44172 14. 字典項：維修方法 0車升位二 60.20 不有重新焊 1905

3.5個性化定制和創新設計

利用知識庫，AI模型可以分析市場趨勢和用戶需求，支持個性化產品設計。這不僅縮短了產品開發周期，還能根據實時市場反饋進行產品迭代和創新，

提高產品競爭力[7-10]

4結論

外掛專業知識庫的引入為AI大模型在智能制造中的應用提供了強大的支持。通過將領域知識與AI的計算能力相結合，企業能夠在復雜的制造環境中實現高效、準確的決策。然而，全面實現技術的落地還需克服諸多技術和業務挑戰。隨著AI技術的不斷突破及智能制造的深化，集成知識庫的大模型將極大促進制造體系的智能化轉型。

通過上述案例可以著出，外掛專業知識庫的引入使AI大模型能夠更好地服務于智能制造業，通過知識的實時更新和模型的自我學習，實現從信息獲取到智能決策的全流程升級，為制造業的數字化轉型提供強大助力。

參考文獻：

[1]謝康，盧鵬，盛君葉，等.人工智能、產品創新與制

造業適應性轉型[J].北京交通大學學報：社會科學版，2024，

23(1):84-95.[2]李新娥，喻子君，夏靜，等.人工智能技術應用下制

造業企業就業效應研究—基于101家上市公司的實證檢驗

[J].中國軟科學，2021（S1）：277-286.[3]劉斌，潘彤.人工智能對制造業價值鏈分工的影響效

應研究[J].數量經濟技術經濟研究，2020，37（10）：24-44.[4]姚錫凡，雷毅，葛動元，等.驅動制造業從“互聯網 +ⁿ

走向“人工智能 +^′ ’的大數據之道[J].中國機械工程，2019，

30(2）:134-142.[5]葛國耀，姚蕾.以智能制造引領產業轉型升級發展

人工智能與制造業實體經濟融合發展的深圳龍崗實踐[J].廣東(上接193頁)高，算法更為復雜，實現起來較為困難。

參考文獻：

[1]溫建平.起重機防搖擺控制策略的研究與應用[J].現代工業經濟和信息化，2023，13（9）：131-133.

[2]盧鳳嬌，劉海江，油磊，等.橋式起重機防搖控制算法綜述[J].船舶與海洋工程，2020，36（1）：1-7.

[3]徐軍，汪偉剛.起重機防搖控制研究綜述[J].造船技術，2013(2）：25-30.

[4]白心陽.橋式起重機防搖擺控制算法研究[D].南京：南京航空航天大學，2018.

[5]余震，余進，王海蘭，等.基于拉格朗日算法的起重機搖擺模型構建及其防搖擺模糊控制系統仿真分析[J].武漢科技大學學報：自然科學版，2022，45（3）：197-203.[6]陳惠力.橋式起重機自適應安全距離預測及防搖擺控制方法研究[D].濟南：山東大學，2022.

經濟，2017（11）：26-31.

[6]靳東明，金芝，陳小紅，等.ChatModeler：基于大語言模型的人機協作迭代式需求獲取和建模方法[J].計算機研究與發展，2024，61（2）：338-350.[7]陳超．人工智能在制造業中的應用[J].機械設計與制造，2006（1）：161-163.[8]李耕，王梓爍，何相騰，等.從ChatGPT到多模態大模型：現狀與未來[J].中國科學基金，2023，37（5）：724-734.

[9]葛同澳，李輝，郭穎，等.基于雙融合框架的多模態3D目標檢測算法[J].電子學報，2023，51（11）：3100-3110.

[10]劉聰，李鑫，殷兵，等.大模型技術與產業—一現狀、實踐及思考[J].人工智能，2023（4）：32-42.作者簡介：李晨陽（1982一），男，漢族，山西太原人，技術總工，本科，研究方向：生產測試軟件方案及開發、數字化、智能制造；蔡冬（1983一），男，漢族，陜西寶雞人，基帶技術專家，本科，研究方向：生產測試設計、測試自動化、智能制造方向；凌立（1985一），女，漢族，湖南婁底人，軟件開發高級工程師，碩士，研究方向：生產測試軟件方案及開發、智能制造；王鳳偉（1982—），女，漢族，山東濟寧人，項目經理/5G技術專家，碩士，研究方向：終端智能制造技術及方案；張健（1979一），男，滿族，遼寧撫順人，部長，碩士，研究方向：生產測試軟件方案及開發、智能制造技術、數字化技術；程毅輝（1976一），男，漢族，湖北武漢人，高級工程師，本科，研究方向：終端工廠數字化轉型應用方案及實施以及智能制造的研究；陶潔（1979一），女，漢族，陜西西安人，射頻技術專家，本科，研究方向：生產測試設計、測試自動化與算法。

[7]徐樂鳳，王和欣.基于PID的起重機防搖擺控制系統仿真分析[J].現代信息科技，2023，7（15）：45-48.

[8]譚鵬.橋式起重機智能防擺控制技術研究[D].南京：南京航空航天大學，2016.

[9]陳金剛，黃莉明，張紅枝.籠型三相異步電動機變極調速和變頻調速解析[J].防爆電機，2018，53（5）：37-39.

[10]何偉.橋式起重機變頻調速控制系統的研究[J].現代制造技術與裝備，2016（4）：52-53.

[11]韓業鵬.數控機床用永磁同步電機的S曲線加減速控制研究[D].廣州：廣州大學，2020.

[12]龐振華，劉放，吳濤，等.吊重擺長對起重機PID防搖控制的影響[J].科學技術與工程，2021，21（14）：5828-5832.

作者簡介：王姣龍（1991一），男，漢族，河南安陽人，碩士，工程師，研究方向：自動及智能化裝備。