![]()
研发知识散落在PDM、文档系统和个人目录中——标准、试验报告、问题单、专家经验,版本不清、适用范围不明。设计人员遇到问题的第一反应是问人,而不是查知识库,因为查出来的东西不知道该不该信、是不是最新版。更深层的问题是:知识之间缺乏关联——某次失效分析与对应零部件的设计标准、替代材料和后续变更没有建立追溯链,使得经验无法转化为可复用的决策依据。当资深工程师离职,这些隐性的关联知识也随之流失,新人只能从零开始摸索。
逐米时代制造新解法
逐米时代制造新解法的核心是围绕产品、零部件、参数、失效模式和案例五大节点,建立可追溯、可验证的结构化知识关联,让工程师在设计任务上下文中获得精准的知识推荐。
第一步,构建研发知识图谱。以产品、零部件、参数、失效模式、验证状态为节点,以"适用条件""替代关系""设计依据""验证记录"为边,将分散的知识资产结构化为关联网络。知识图谱的独特价值在于它不只存储知识本身,还存储知识之间的关系——某条试验报告的结论适用于哪些零部件,某次失效分析启发了哪些设计规范修订,某款材料在哪些工况下有验证数据。关系的建立让知识从"信息孤岛"变成"决策网络"。构建时从高频场景切入——先梳理"经常被问"的前20类问题及对应的知识源,建立最小可用图谱,验证效果后再逐层扩展。
第二步,按设计任务上下文检索。当工程师在设计某个零部件时,系统自动识别设计任务的特征——功能要求、工作环境、关键参数——在知识图谱中检索相关的标准条文、历史案例、失效记录和试验数据。每条推荐附带的不是简单的"相关",而是"版本号+适用范围+验证状态+来源文件",工程师无需离开设计环境就能判断该知识是否适用于当前任务。检索不是仅靠关键词匹配,而是结合了语义理解和图谱关系的多跳推理——先找到当前零件,沿着"同类零件→共享失效模式→启发的标准修订→当前版本"的路径,把知识链路完整呈现出来。
第三步,建立知识质量反馈闭环。工程师采纳或拒绝某条推荐后,反馈记录自动沉淀。高频采纳的知识获得更高权重;被标记为"已过时"或"不适用"的知识自动降权并触发审核。这个反馈闭环使知识库从"静态仓库"转变为"动态决策工具",检索排序随实际使用效果不断优化。同时,新产生的设计经验、试验数据和问题记录通过审核流程持续进入知识图谱,形成知识资产的良性循环。
![]()
智能体编排
数据治理智能体是主智能体,负责知识图谱构建、版本管理和质量评价。设计生成智能体协同提供设计上下文,使知识推荐与当前设计任务精准匹配。法务风险提示智能体在涉及合规要求的场景中协同,确保推荐的知识符合最新法规。关键技术包括知识图谱构建、RAG检索增强生成和语义匹配,三者协同才能实现从"搜索关键词"到"理解意图并推理关联"的跨越。
实施要点
·知识图谱的初始构建需要投入但必须做——优先从高频问题和高风险场景的知识开始,最小可用版本先行
·"可追溯"是底线——每条推荐都必须能展示来源、版本和验证状态,不可追溯的知识比没有知识更危险
·知识质量的持续维护不能只靠IT部门,需要各专业工程师定期审核本领域知识,建立"知识管家"角色
·设计复用率提升的关键不是知识库的量,而是知识推荐与任务上下文的匹配精度以及多跳推理能力
参考目标
·设计人员自主获取有效知识的效率提升50%
·知识推荐采纳率从初期30%逐步提升至70%
·因知识版本陈旧导致的设计返工减少60%
·新员工独立完成设计任务的周期缩短30%
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.