scenario s6 / 短期 · 生产研发侧
研发知识库 Agent
几十年的技术报告、试验记录、专利、失败案例——先做检索比对综述，不做推理
数据可得性
中
所需数据是否已在手、能否直接用于建模
工程难度
中
从可行性验证到稳定上线的工程风险
实时性要求
低
需要秒级响应，还是天级出报告
评级为面向学习者的教学性判断，用于横向比较场景特点，不构成采购或投资建议。
涉及工序 / 1 道 · 高亮项点击可跳章节
业务痛点，讲人话
一家有几十年历史的研究型钢铁企业，账面上有一笔巨大的资产：技术报告、试验记录、专利、论文、工艺规程、以及散落各处的失败案例。
问题是它用不起来。
研究员想知道"我们以前有没有试过这个成分体系"，只能问老同事、翻纸质档案、或者在共享盘里搜文件名。年轻人不知道有哪些历史积累，于是重复做前人做过的实验——这在研究型组织里是最昂贵的浪费。
为什么它比普通 RAG 难
普通 RAG 只管相关性。这里每个 chunk 还要带两个额外维度：
密级。 研发资料密级混杂，有的涉及军工、有的涉及在研专利。检索必须先按用户权限过滤再排序，而不是检索完再遮盖——后者会通过摘要泄漏信息。
时效。 "哪版工艺规程还有效？""这个结论后来被推翻了吗？"技术文档普遍缺失时效性标注，这是整理阶段必须补的元数据。
ai engineer's view
密级与时效 ≈ 两个额外的检索维度
过滤必须发生在检索之前而不是之后。做成 pre-filter 而非 post-filter，否则会通过相关性打分和摘要间接泄漏。
结构化过程本身就是产出
抽取实体（材料/牌号、工艺步骤、表征方法、性能指标）并挂到统一本体上——这个过程产生的结构化数据，价值远高于问答功能本身。
失败案例是最稀缺的语料
「这条路走不通」的记录，价值不低于成功配方。但行业里普遍没有留存机制——失败的实验往往连报告都不写。建立留存机制本身就是一项有价值的改变。
数据长什么样
data shape / 本场景吃哪几类数据
技术报告、专利、论文、操作规程、设备手册、检修工单、报警日志
瓶颈：非结构化、密级混杂、时效性标注缺失（哪版规程还有效？）
熔炼/热处理/轧制/等静压工艺记录、力学性能、蠕变疲劳腐蚀长周期数据、失败案例
瓶颈：无统一实体定义、散落个人手中、失败数据普遍未留存、密级分类复杂
标准文本与条款、检测原始记录、判定结论、方法验证数据
瓶颈：标准版本管理、判定链的可追溯性
样例结构 / 教学示意，非真实产线数据
# 从一份技术报告中抽取的结构（教学示意）
document:
id: "RPT-19XX-XXX"
type: "试验报告"
classification: "内部" # ★ 密级：pre-filter 用
valid_until: null # ★ 时效：null = 需人工确认
superseded_by: null
#
extracted_entities: # 挂到统一本体上的实体
materials:
- {grade: "…", composition: {C: "…", Cr: "…", Ni: "…"}}
processes:
- {step: "固溶处理", temp_c: "…", duration_h: "…"}
- {step: "时效处理", temp_c: "…", duration_h: "…"}
characterizations:
- {method: "拉伸试验", standard: "…", temp_c: 650}
properties:
- {name: "屈服强度", value: "…", unit: "MPa", condition: "650 degC"}
#
outcome: "failed" # ★ 成功 / 失败 / 部分达标
failure_reason: "时效后晶界析出粗化，室温冲击功不达标"
# ↑ 这一条的价值不低于一个成功配方——它排除了一片设计空间重点是 extracted_entities 部分：这些实体必须挂到统一本体上（材料/工艺/表征/性能四类），否则每份报告抽出来的都是孤立的 JSON，拼不成数据集。
实施建议
短期只做检索、比对、综述，不做推理。
这不是保守，是分工问题。让 Agent 回答"这个成分体系我们做过哪些试验、结果如何、有什么结论"是可靠的；让它回答"所以我们应该试什么成分"就越界了——那是 PSPP 逆向设计场景要解决的问题，需要机理模型和不确定性量化，不是 RAG 能承担的。
把本体建设和知识库建设合并推进。
抽取实体时就按最小可用本体的四类实体（材料/牌号、工艺步骤、表征方法、标准条款）来组织。这样知识库上线之日，本体也就有了第一批实例数据——两件事的工作量重叠度极高，分开做是浪费。
必懂概念 / 5 张
ai engineer's view / 换成你熟悉的说法
它的真实价值是数据入口
单次问答提效有限，但把非结构化研发资产结构化的过程，正是后面所有 AI for Science 场景的燃料准备。
密级与时效 ≈ 两个额外的检索维度
普通 RAG 只管相关性；这里每个 chunk 还要带密级标签和有效期，检索时先过滤再排序。
失败案例是最稀缺的语料
「这条路走不通」的记录，价值不低于成功配方——但行业里普遍没有留存机制。
延伸学习
相关场景