【案例说明】融合知识图谱、大语言模型和 AI Agent 完成能源领域知识工程工作

关于知识工程，前面写过
【新手上路常见问答】关于知识工程-CSDN博客
从知识到智慧：知识图谱还要走多远？_cayley 知识图谱-CSDN博客
【学习资源】知识图谱与大语言模型融合_oneke知识图谱-CSDN博客
随着技术的快速发展，知识工程的实现有了不少进步，知识管理的工作开展起来也变得容易起来。

今天以"海上风电场智能运维项目"为例，说明知识图谱、大语言模型和 AI Agent 如何共同完成知识工程工作。三者的分工可以概括为：

知识图谱负责组织知识，大语言模型负责理解和生成，AI Agent 负责规划任务、调用工具并推动执行。

其中，知识图谱解决"知识如何结构化表达和关联"的问题，大语言模型解决"如何从复杂文本和自然语言中理解知识"的问题，AI Agent 则解决"如何围绕目标自主完成一组知识任务"的问题。

1 项目背景与目标

某海上风电场拥有100台风机，设备包括叶片、齿轮箱、发电机、主轴、变流器、液压系统、塔筒和升压站等。项目长期积累了大量资料，包括设备台账、设计图纸、技术说明书、检修规程、运行日志、SCADA数据、报警记录、历史工单、故障案例和专家经验。

这些知识通常分散在不同系统中，存在名称不统一、格式不一致、版本难追踪和经验难复用等问题。例如，同一个故障可能被记录为"齿轮箱温高""齿轮油温超限"或"GB油温异常"。运维人员想回答"某台风机出现齿轮箱油温高告警后应该如何处理"，往往需要同时查询多个系统，并依赖个人经验进行判断。

因此，项目目标是建设一个面向风电运维的知识工程系统，实现以下功能：

1. 统一管理设备、部件、故障、告警、原因、措施和备件等知识；
2. 从非结构化文档和历史工单中自动提取知识；
3. 根据实时数据和历史案例辅助故障诊断；
4. 自动生成检修建议、工单和知识更新任务；
5. 对所有结论提供来源、依据和责任追踪。

2 三类技术的总体分工

图1 知识工程中知识图谱、LLM和AI Agent 的关系详图

图2 知识工程中知识图谱、LLM和AI Agent 的关系简图

2.1 知识图谱：构建稳定的知识骨架

知识图谱用于描述风电场中的实体及其关系。例如：

• 风机 WT-023"安装有"齿轮箱 GB-023；
• 齿轮箱 GB-023"包含"润滑系统；
• 润滑系统"由"油温传感器 T-023"监测"；
• "齿轮箱油温过高"告警"可能由"冷却器堵塞"导致"；
• 冷却器堵塞"建议检查"滤网；
• 滤网"对应备件"SP-008；
• 历史工单 F-2023-018"采用措施"清理滤网；
• 该措施"导致"油温恢复正常。

图谱还可以记录设备型号、安装位置、运行状态、维护周期、故障频率、规程版本和知识来源等信息。

它的优势是关系明确、结构稳定、可查询和可追溯。例如，系统可以沿着"当前告警---对应部件---历史案例---可能原因---检修措施---所需备件"的路径进行查询，而不是只返回包含关键词的文档。

2.2 大语言模型：处理复杂语言和非结构化资料

大量运维知识存在于自然语言文本中。大语言模型可以从说明书、检修报告、专家记录和工单中提取实体、属性、事件、因果关系和操作步骤。

例如，报告内容为：

7月12日，WT-017在高负荷运行期间出现齿轮箱油温持续升高。现场检查发现冷却器进风口积尘严重，清理滤网并补充润滑油后，温度恢复正常。

大语言模型可以抽取出：

• 设备：WT-017；
• 部件：齿轮箱；
• 异常：油温持续升高；
• 运行条件：高负荷；
• 可能原因：冷却器积尘、润滑油不足；
• 处理措施：清理滤网、补充润滑油；
• 处理结果：温度恢复正常；
• 时间：7月12日。

随后，模型还可以完成术语归一化。例如将"齿轮箱温高""齿轮油温超限"和"GB油温异常"映射到统一的标准概念，也可以识别不同设备之间的相似故障。

不过，大语言模型的抽取结果不能直接视为事实。系统应通过设备台账、规则约束、数据一致性检查和专家审核进行验证，并保留原始文档、页码、工单编号、时间和可信度。

2.3 AI Agent：围绕任务调度知识和工具

AI Agent不是单纯的聊天机器人，而是能够理解目标、拆解任务、选择工具、获取信息、判断下一步并输出结果的执行主体。

在该项目中，AI Agent可以调用：

• 知识图谱查询接口；
• 文档和向量检索系统；
• SCADA实时数据接口；
• 历史工单系统；
• 告警系统；
• 规则引擎；
• 时序数据分析模型；
• 备件库存系统；
• 人员和船舶调度系统；
• 工单管理系统。

例如，Agent接到"分析WT-023齿轮箱油温高告警并给出处置建议"的任务后，可以自动完成：

1. 查询WT-023的设备型号和部件结构；
2. 获取当前油温、负荷、振动、油压和冷却风量；
3. 检索该型号设备的历史相似案例；
4. 查找最新版本的检修规程；
5. 调用规则或诊断模型评估风险；
6. 生成可能原因和检查顺序；
7. 查询所需备件及人员资源；
8. 生成待审批的检修工单；
9. 跟踪处理结果；
10. 将新案例整理为待审核知识。

3 知识工程的完整流程

图3 一次故障分析的完整流程

3.1 知识采集

首先接入企业现有数据源，包括设备管理系统、生产运行系统、文档管理系统、工单系统、故障数据库和传感器平台。

对于文档，应进行格式解析、OCR识别、表格提取、章节切分和版本标记；对于日志和工单，应统一时间、设备编码、告警编码和人员信息。数据采集阶段还要建立来源标识，确保每条知识都能追溯到原始材料。

3.2 知识建模

由领域专家和技术人员共同设计风电运维本体。核心实体可以包括风场、风机、子系统、部件、传感器、告警、故障、原因、检修措施、备件、人员、作业票和环境条件。

核心关系包括"属于""安装于""监测""触发""可能原因""导致""检查""更换""适用于""发生于"和"引用"等。

知识图谱不仅记录静态关系，还要记录时间和状态。例如，某个齿轮箱可能在2023年安装，2025年更换。因此不能简单覆盖旧数据，而应记录设备关系的生效时间、失效时间和数据来源。

3.3 知识抽取

大语言模型从文本中提取结构化知识，并按照预先定义的格式输出。例如，可以要求模型生成：

{`
`  "equipment": "WT-017",`
`  "component": "齿轮箱",`
`  "symptom": "油温持续升高",`
`  "possible_cause": ["冷却器积尘", "润滑油不足"],`
`  "action": ["清理滤网", "补充润滑油"],`
`  "result": "温度恢复正常"`
`}`
`

Agent可以负责批量调度抽取任务，识别哪些文档需要处理、选择相应提示模板、调用模型、检查结果并将低置信度内容提交人工审核。

3.4 知识校验与入图

抽取结果需要经过多层校验。

第一层是格式校验，检查字段是否完整；第二层是术语校验，判断设备名称和故障名称是否符合标准词表；第三层是图谱约束校验，检查设备与部件关系是否真实存在；第四层是数据交叉验证，将文本内容与设备台账、实时数据和历史工单进行比对；第五层是专家审核，确认涉及安全、停机或高风险操作的知识。

通过审核后，知识才正式写入图谱，并关联原始来源、版本、时间、抽取模型、审核人和可信度。

3.5 知识应用

当运维人员提出问题时，Agent先识别问题类型，再决定调用哪些知识和工具。例如，对于"WT-023为什么出现齿轮箱油温高"，Agent可能采用混合检索：

• 从知识图谱获取设备结构和关联告警；
• 从时序数据库获取实时和历史数据；
• 从文档库检索检修规程；
• 从工单库查找相似案例；
• 从规则引擎获取风险判断条件；
• 由大语言模型整合结果并生成解释。

最终答案不仅要给出建议，还要呈现证据和不确定性，例如：

WT-023当前出现齿轮箱油温持续升高。最近两小时内油温由82℃升至96℃，同时振动值未明显升高，冷却风量低于历史平均水平。结合知识图谱和3条历史工单，当前优先怀疑冷却器堵塞或冷却系统异常。建议先检查冷却器滤网、进风口和风扇状态，再核查润滑油位。若油温超过规程规定阈值，应由授权人员决定是否降负荷或停机。依据包括《齿轮箱维护规程》4.2节和工单F-2023-018。

这里，知识图谱提供关联事实，实时数据提供当前状态，文档检索提供规范依据，大语言模型负责解释，Agent负责整个任务流程。

3.6 知识更新

检修完成后，Agent可以读取工单结果，自动总结"故障现象---根因---处理措施---处理效果"，并与已有知识进行比对。

如果发现同类故障反复出现，系统可以更新故障频率和风险等级；如果发现新的故障模式，可以创建待审核知识；如果规程出现新版本，系统可以标记旧知识失效，并要求问答优先引用最新内容。

这使知识图谱从一次性建设的静态数据库，转变为能够持续吸收现场经验的动态知识系统。

4 推荐的Agent协作架构

在实际项目中，可以采用"总控Agent+专业Agent"的协作方式。

总控Agent负责理解任务、分解流程、调用其他Agent和汇总结果。知识工程Agent负责文档解析、知识抽取、实体对齐和图谱更新。诊断Agent负责实时数据分析和故障判断。检索Agent负责从图谱、文档和工单系统中寻找证据。安全Agent负责权限、作业风险和合规检查。资源Agent负责备件、人员、船舶和工时安排。工单Agent负责创建、跟踪和关闭检修任务。

```text

用户提出任务

↓

总控 Agent 负责理解、拆解和调度

↓

多个专业 Agent 并行或按流程执行专业任务

↓

专业 Agent 返回分析结果

↓

总控 Agent 汇总、校验并输出最终结果

```

图4 总控Agent+专业Agent

这种方式可以避免让一个大模型承担所有工作，也便于权限隔离、结果审计和故障定位。

5 实施中的关键控制

能源系统涉及生产安全，Agent不应完全自主执行高风险操作。可以建立分级权限：

• 查询、摘要和知识推荐可以自动完成；
• 故障诊断和检修建议需要专业人员确认；
• 普通工单可以由授权人员审批后生成；
• 停机、参数修改、带电作业和高风险操作必须经过正式审批；
• 任何无法获得充分证据的任务都应转交人工处理。

此外，每次Agent执行任务都应记录任务目标、调用工具、输入数据、检索证据、模型版本、输出结果、审批过程和最终执行情况。系统还应支持人工接管、自动暂停、结果复核、异常升级和操作回滚。

6 总结

在此能源项目中，三者形成的协同关系可以概括为：

知识图谱构建可信知识底座，大语言模型完成语言理解和知识抽取，AI Agent负责任务规划、工具调用和业务执行。

三者融合后，知识工程不再只是整理文档或建立数据库，而是形成从知识采集、建模、抽取、校验、应用到更新的闭环。其核心价值不是让系统生成更像人的答案，而是把分散的设备数据、技术文档、历史经验和业务流程连接起来，形成可查询、可解释、可验证、可执行和可持续更新的能源领域知识体系。