制造业的排产、良率与物料决策，长期依赖少数老师傅的个人经验。这类经验多停留在口头与零散台账，难以系统化沉淀，也更难跨岗复用。把设备、工序、物料、故障、工艺这些对象建成知识图谱，再用智能工作流自动拉数据、做归因、出报告，有助于推动决策从经验判断向数据参考转变。知识图谱负责把零散关联组织成网络，工作流引擎负责把网络里的洞察变成每天能用的动作，两者合起来为管理者提供工序分析与决策参考。
生产异常的归因
产线报警，工程师凭记忆翻设备历史，对着工艺参数逐条比对，实在没头绪才去疑物料。较多依赖经验、记忆与人工比对，谁经验多谁查得快，复盘周期因此拉长，根因常被误判成表面现象。
另一难点在关联分散。一台贴片机的温度曲线、某批锡膏的批次号、上道工序的节拍分存不同系统，没人把这些点连成线就往往容易停留在局部优化。设备调好了良率没动，因为真问题在物料含水率，但含水率数据从没和贴片工序绑在一起。
知识图谱的技术来路
要讲清方案得先说清知识图谱是什么。它的思想源头是语义网络，研究者想用点加线的方式存知识，点代表事物，线代表事物间关系。可当时的数据库只擅长存表格，遇到多关联查询就吃力，结果想法只能停留在纸面。
后来图数据库出现，它原生按节点和边存储，查两事物隔了几层关系速度和关联数几乎无关。关系型数据库要做多层 join，关联越深越吃力，图数据库把关联当一等公民，这原该是知识管理的利器，但早年大家还在用表格存一切。
再往后自然语言处理能自动读文档、抽实体、找关系，知识图谱开始具备规模化构建条件。它把人脑里的关联变成机器可查的网络，价值就在这里。应用面很广，搜索的实体卡片、银行的反欺诈链路、医院的用药冲突提醒都建立在这类技术上，但工厂里的故障归因长期没用上这副网络。
用图谱做故障根因定位
落到工厂，先让模型从设备台账、维修单与工艺文档抽取实体：设备编号、工序名称、物料批次、故障类型、工艺参数。再抽关系，把设备与零部件的从属、故障与参数的因果、物料与工序的对应都连起来，这些点和线织成厂级知识网。
路径推理是重要应用价值之一。贴片工序良率跌，系统在图谱上做多跳查询：异常关联哪台设备，那台设备近期哪些参数偏移，偏移是否和某物料批次同步出现。几跳之后根因从贴片机不好收敛到某供应商某批次锡膏含水率超差，这种间接关联靠人翻记录很难发现，图谱可辅助发现间接关联，有助于缩小根因排查范围。
系统还能沿历史处置记录推方案。过去同类根因的修法、责任人和复现情况都挂在节点上，新告警触发时直接给处置参考。
向量检索与检索增强生成
归因和问答要调文档里的非结构化知识，得靠向量检索。早期搜索靠关键词匹配，建倒排索引查得准但容错差，换个说法就搜不到。后来文本能被转成数字向量，语义相近的内容向量也近，检索不再要求字面一致，结果换个说法也能搜到。
这套能力接上大模型形成检索增强生成。大模型易编造且有知识截止，检索增强生成让它在答前先去知识库取相关片段拼进提示词再作答，相当于给模型发了本带出处的操作手册。
Agent 工作流如何串起全局
把图谱、检索、报告拼成日常动作需要工作流引擎。早期自动化靠写死脚本，if-else 固定，改流程就改代码。大模型带来 Agent 思路让模型自己决定调哪个工具走哪条路，灵活却难调试、易失控，结果自主过了头反而不可控。
折中方案是图状态机，把步骤画成节点和边，条件分支定走向，节点输出自动传下一步，长任务可断点续跑，兼顾自主和可控。落到生产场景，一个工作流这样跑。它定时拉取设备数据和良率报表，接着调用图谱做异常归因。会议纪要里的非结构化信息也被融进来分析，日报生成后推给厂长，严重异常则另发预警，部分流程可自动流转，关键异常仍需人工关注，但要把这套引擎跑顺还得有扎实的技术底座。
产线数据的本地留存
工艺参数是工厂的核心资产，物料配方、设备节拍、良率规律一旦外泄竞争位置就弱。这类系统建议结合数据敏感度评估私有化或专有部署方式，数据可按部署方案在企业约定环境内处理，模型推理也在内网完成，云端只做能力升级，原始数据流向以网络策略、日志策略和合同约定为准，结果兼顾数据管理要求与智能化应用需求。
这样既能用上图谱和智能工作流又不把家底交出去，但私有化意味着算力得自己扛，配置要按业务量仔细算。
小艾智能体如何实现这套能力
前述方法在小艾智能体里有对应的技术实现。应用框架选 FastAPI 加 Python，工作流引擎基于 LangGraph，负责节点编排、条件路由与状态持久化。核心大模型兼容 DeepSeek、GPT 系列与智谱等多家，可按场景切换。底层把向量交给 Milvus，关系数据落进 Neo4j，全文检索接 Elasticsearch，消息走 RabbitMQ，热数据放 Redis。
文档处理引擎覆盖 PDF、Word、Excel、图片等格式，经语义切分后由 BGE-M3 模型向量化入库。Skills 技能系统把代码审查、会议纪要、文件下载等能力做成可插拔组件，Agent 运行时动态调用。自学习机制收集用户对回答的反馈，把经审核的问答内容可转为候选知识条目，专家修正也回流进系统。工厂可按上文路径，用这套底座可结合业务需求配置生产决策辅助方案。