大模型应用-筑基期【14：第一阶段项目实战与总结】

bloxed2026-07-04 11:39

W4 · 知识点14：第一阶段项目实战与总结

学习目标：整合前13个知识点，完成设备维修养护系统的AI诊断模块原型。

一、项目一：《AI能力测评笔记》（设备维修版）

markdown 复制代码 
# 设备维修场景AI能力测评笔记

## 一、产品对比（故障诊断场景）
| 产品 | 故障诊断准确率 | 专业术语使用 | 安全规范意识 | 响应速度 |
|------|--------------|-------------|-------------|---------|
| ChatGPT | | | | |
| Claude | | | | |
| 通义千问 | | | | |

## 二、有效Prompt案例（10个）

### 案例1: 故障分类
- 类型: Zero-shot
- Prompt: "将以下故障分类为机械/电气/液压/气动：空压机运行时主轴振动异常..."
- 为什么有效: 任务明确，模型有足够训练数据

### 案例2: 维修工单结构化
- 类型: Few-shot
- Prompt: （包含2个实际工单示例的解析Prompt）
- 为什么有效: 示例来自真实系统，格式高度统一

... (补充到10个)

## 三、无效Prompt案例（10个）

### 案例1: 过于模糊的诊断请求
- Prompt: "这个设备坏了，帮我看看"
- 问题: 没有任何设备信息和故障描述
- 改进后: 加了角色设定 + 引导收集信息的框架

... (补充到10个)

## 四、关键发现
1. 设备故障诊断必须用CoT，直接给结论误判率高
2. JSON输出必须用response_format或Structured Outputs
3. Temperature对诊断一致性影响很大

二、项目二：《设备维修AI诊断助手》完整代码

python 复制代码 
"""
设备维修养护系统 - AI诊断模块 v1.0
功能：故障诊断、工单解析、维修报告生成
整合：API调用 + 流式输出 + JSON结构化 + 错误处理 + Token管理
"""

from openai import OpenAI, RateLimitError, APIConnectionError, InternalServerError
from pydantic import BaseModel, Field
from typing import Optional
import json
import time
import logging
from datetime import datetime

logging.basicConfig(level=logging.INFO)
logger = logging.getLogger("maintenance_ai")

client = OpenAI(timeout=30)


# ─── 数据模型 ───

class SparePart(BaseModel):
    name: str = Field(description="备件名称")
    spec: Optional[str] = Field(default=None, description="规格型号")
    qty: int = Field(default=1, description="数量", ge=1)

class DiagnosisResult(BaseModel):
    fault_type: str = Field(description="故障类型: mechanical|electrical|hydraulic|pneumatic|control|other")
    root_cause: str = Field(description="根本原因分析")
    confidence: str = Field(description="诊断置信度: high|medium|low")
    diagnosis_steps: list[str] = Field(description="诊断推理步骤")
    repair_steps: list[str] = Field(description="维修操作步骤")
    spare_parts: list[SparePart] = Field(description="所需备件")
    tools_needed: list[str] = Field(description="所需工具")
    estimated_hours: float = Field(description="预估维修工时")
    safety_warnings: list[str] = Field(description="安全警告")
    follow_up: Optional[str] = Field(default=None, description="后续建议")


# ─── 核心诊断引擎 ───

class MaintenanceDiagnosisEngine:
    """设备维修AI诊断引擎"""

    ROLES = {
        "diagnose": "你是一位有15年经验的设备维修工程师，精通故障诊断和维修方案制定。",
        "report": "你是一位技术文档专员，擅长撰写设备维修报告。",
        "plan": "你是一位设备管理顾问，擅长制定预防性维护计划。",
    }

    def __init__(self, model="deepseek-chat"):
        self.model = model
        self.stats = {"calls": 0, "tokens": 0, "errors": 0, "cost": 0.0}

    def diagnose_fault(self, fault_description, device_info=None):
        """
        核心功能：设备故障智能诊断
        返回结构化的诊断结果
        """
        context = f"故障描述：{fault_description}"
        if device_info:
            context = f"设备信息：{device_info}\n{context}"

        try:
            response = client.chat.completions.create(
                model=self.model,
                messages=[
                    {"role": "system", "content": self.ROLES["diagnose"]},
                    {"role": "user", "content": f"""请对以下设备故障进行诊断分析：

{context}

请以JSON格式输出诊断结果，包含：
- fault_type: 故障类型(mechanical/electrical/hydraulic/pneumatic/control/other)
- root_cause: 根本原因
- confidence: 置信度(high/medium/low)
- diagnosis_steps: 诊断推理步骤
- repair_steps: 维修操作步骤
- spare_parts: 所需备件(name/spec/qty)
- tools_needed: 所需工具
- estimated_hours: 预估工时
- safety_warnings: 安全警告
- follow_up: 后续建议"""},
                ],
                response_format={"type": "json_object"},
                temperature=0.2,
            )

            self.stats["calls"] += 1
            self.stats["tokens"] += response.usage.total_tokens

            result = json.loads(response.choices[0].message.content)
            return {"success": True, "data": result}

        except (RateLimitError, APIConnectionError, InternalServerError) as e:
            self.stats["errors"] += 1
            logger.error(f"API错误: {e}")
            return {"success": False, "error": str(e), "retryable": True}

        except Exception as e:
            self.stats["errors"] += 1
            logger.error(f"未知错误: {e}")
            return {"success": False, "error": str(e), "retryable": False}

    def stream_diagnose(self, fault_description):
        """流式输出版本的诊断"""
        stream = client.chat.completions.create(
            model=self.model,
            messages=[
                {"role": "system", "content": self.ROLES["diagnose"]},
                {"role": "user", "content": f"诊断故障：{fault_description}"},
            ],
            stream=True,
            stream_options={"include_usage": True},
            temperature=0.2,
        )

        print("\n诊断分析: ", end="", flush=True)
        full_reply = []

        for chunk in stream:
            if chunk.choices and chunk.choices[0].delta.content:
                text = chunk.choices[0].delta.content
                full_reply.append(text)
                print(text, end="", flush=True)
            if chunk.usage:
                self.stats["tokens"] += chunk.usage.total_tokens

        print()
        self.stats["calls"] += 1
        return "".join(full_reply)

    def generate_report(self, repair_record):
        """生成维修报告"""
        response = client.chat.completions.create(
            model=self.model,
            messages=[
                {"role": "system", "content": self.ROLES["report"]},
                {"role": "user", "content": f"根据以下维修记录生成规范的维修报告：\n{repair_record}"},
            ],
            temperature=0.3,
        )
        self.stats["calls"] += 1
        self.stats["tokens"] += response.usage.total_tokens
        return response.choices[0].message.content

    def print_stats(self):
        s = self.stats
        success_rate = (s["calls"] - s["errors"]) / max(s["calls"], 1)
        print(f"\n{'='*50}")
        print(f"  设备维修AI诊断引擎 - 运行统计")
        print(f"{'='*50}")
        print(f"  调用次数: {s['calls']}")
        print(f"  Token消耗: {s['tokens']}")
        print(f"  错误次数: {s['errors']}")
        print(f"  成功率: {success_rate:.1%}")
        print(f"{'='*50}")


# ─── 命令行交互 ───

def main():
    engine = MaintenanceDiagnosisEngine()

    print("=" * 50)
    print("  设备维修养护系统 - AI诊断模块 v1.0")
    print("=" * 50)
    print("功能: /diagnose 故障诊断 | /report 生成报告 | /stream 流式诊断")
    print("命令: /stats 查看统计 | /quit 退出")
    print()

    mode = "diagnose"

    while True:
        try:
            user_input = input(f"[{mode}]> ").strip()
        except (KeyboardInterrupt, EOFError):
            break

        if not user_input:
            continue
        if user_input in ('/quit', '/q'):
            break
        if user_input == '/stats':
            engine.print_stats()
            continue
        if user_input.startswith('/diagnose'):
            mode = "diagnose"
            print("[已切换到：故障诊断模式]")
            continue
        if user_input.startswith('/report'):
            mode = "report"
            print("[已切换到：报告生成模式]")
            continue
        if user_input.startswith('/stream'):
            mode = "stream"
            print("[已切换到：流式诊断模式]")
            continue

        # 执行对应功能
        if mode == "diagnose":
            result = engine.diagnose_fault(user_input)
            if result["success"]:
                data = result["data"]
                print(f"\n故障类型: {data.get('fault_type', 'N/A')}")
                print(f"根本原因: {data.get('root_cause', 'N/A')}")
                print(f"置信度: {data.get('confidence', 'N/A')}")
                print(f"维修步骤: {data.get('repair_steps', [])}")
                print(f"安全警告: {data.get('safety_warnings', [])}")
                print(f"\n完整数据: {json.dumps(data, ensure_ascii=False, indent=2)}")
            else:
                print(f"\n诊断失败: {result['error']}")
                if result.get("retryable"):
                    print("（此错误可重试，请稍后再试）")

        elif mode == "stream":
            engine.stream_diagnose(user_input)

        elif mode == "report":
            print("\n生成维修报告中...")
            report = engine.generate_report(user_input)
            print(f"\n{report}")

        print()

    engine.print_stats()
    print("\n系统退出，注意安全操作！")


if __name__ == "__main__":
    main()

三、第一阶段自检清单

复制代码 
理论知识:
- [ ] 能说出Token、Temperature、Top-P在设备维修系统中的配置策略
- [ ] 能区分Zero-shot、Few-shot、CoT在故障诊断场景的适用情况
- [ ] 理解Messages结构在多轮诊断对话中的作用

实践能力:
- [ ] 完成AI产品在设备维修场景下的对比测评
- [ ] 积累10+设备维修场景的有效Prompt
- [ ] 成功调用API完成故障诊断分析
- [ ] 实现JSON结构化的工单解析（成功率>95%）
- [ ] 完成命令行诊断助手（支持多轮对话+流式输出+错误处理）

产出物:
- [ ] 《设备维修场景AI能力测评笔记》
- [ ] 《设备维修AI诊断助手》可运行程序
- [ ] 《设备维修Prompt模板库》5个核心模板
- [ ] 诊断助手完整代码（本文中的项目代码）

进阶准备:
- [ ] 了解Embedding概念（为第二阶段RAG做准备------你的维修知识库需要它）
- [ ] 安装Python环境和openai库
- [ ] 准备好第二阶段目标：用RAG构建维修知识库问答

四、延伸阅读与第二阶段预习

  • What Are Embeddings? --- 理解Embedding
  • LangChain RAG教程 --- 第二阶段核心：用RAG构建维修知识库
  • 思考：你的设备维修系统第二阶段要实现什么？
    → 上传设备手册 → AI自动检索 → 基于手册内容回答维修问题
热门推荐
012026 年 AI 编程工具终极横评：Cursor vs Claude Code vs Copilot vs Windsurf02GitHub 镜像站点03【AI】2026 年具身智能模型和世界模型总结04AI科技热点日报 | 2026年07月01日052026 AI 编程工具终极实战指南：Cursor vs Claude Code vs Copilot，开发者该怎么选？062026年6月AI大模型全景报告：GPT-5.6、Claude Opus 4.8、Gemini 3.5，中美AI三足鼎立谁主沉浮？072026 年 AI 大模型 & AI 编程工具实战全总结08Claude Code、Codex、Cursor三分天下：2026年AI编程Agent生态全景剖析092026年6月AI行业全景：从百模大战到Agent元年，这30天发生了什么？10Agnes AI 免费 API 接入指南：文本、生图、生视频，一套接口全免费