问题:制造企业知识库的真正难点在工程文档
制造企业的知识资产高度集中在图纸、BOM 与工艺文件上,而这三类恰恰最难入库:DXF 图纸里的信息藏在图层、块属性与标注中,普通文档解析器读不出来;同一零件往往存在 V1.0 到 V3.x 多个版本,工艺卡片随客户需求频繁改版。直接把整批文件扔进向量库,检索时新旧版本混杂,现场按旧版本加工就是质量事故。本文给出一套可复现的四步方案:统一解析、语义切片、版本过滤、带出处回答。
第一步:把 DXF 图纸解析成可检索文本
DXF 是开放的明文格式,用 ezdxf 可以直接提取图内文字与块属性。下面代码遍历模型空间的 TEXT、MTEXT 实体与所有块引用的属性标签,拼出一张图纸的文字画像:
import ezdxf
def dxf_to_text(path):
doc = ezdxf.readfile(path)
msp = doc.modelspace()
parts = []
for e in msp:
if e.dxftype() == 'MTEXT':
parts.append(e.plain_text())
elif e.dxftype() == 'TEXT':
parts.append(e.dxf.text)
elif e.dxftype() == 'INSERT':
for att in e.attribs:
parts.append(f'{att.dxf.tag}:{att.dxf.text}')
return ' '.join(parts)
print(dxf_to_text('bracket_V2.dxf')[:200])
提取结果应与文件名、版本号、生效日期一起写入元数据。块属性里的图号、材料、版本号是后续版本过滤的关键字段,务必单独保存,不要混进正文文本。
第二步:按语义切片,而不是按文件切片
工艺文件动辄几十页,整文件入库会让检索命中整篇噪声。正确做法是按工序段落切:先按工序标题(如工序一、工序二)分节,每节再按 300 至 500 字滑窗切片,切片之间保留约 50 字重叠,避免答案恰好落在切缝上:
def chunk_by_process(text, size=400, overlap=50):
sections, cur = [], []
for line in text.splitlines():
if line.strip().startswith('工序'):
if cur:
sections.append(cur)
cur = [line]
else:
cur.append(line)
if cur:
sections.append(cur)
chunks = []
for sec in sections:
s = ' '.join(sec)
step = size - overlap
for i in range(0, max(len(s), 1), step):
chunks.append(s[i:i + size])
return [c for c in chunks if len(c) > 30]
第三步:入库时带上版本元数据,检索时只回生效版
解决新旧混杂的核心是把版本号与生效状态写进向量库元数据。以 Chroma 为例:
import chromadb
client = chromadb.PersistentClient(path='kb_db')
col = client.get_or_create_collection('manufacture')
col.add(
ids=['bracket-v2-c3'],
documents=['焊接工序:采用氩弧焊,焊缝高度按图纸技术要求执行'],
metadatas=[{'part': 'bracket', 'ver': 'V2.1', 'active': 1, 'type': 'process'}])
# 检索时用 where 条件过滤,只允许生效版本参与召回
res = col.query(query_texts=['支架焊接采用什么方法'],
where={'active': {'$eq': 1}},
n_results=3)
print(res['documents'])
当新版本图纸签审通过后,把旧版本元数据的 active 置 0 即可,旧向量不必删除——历史版本仍有追溯价值,只是不再进入默认检索范围。
第四步:带出处的回答与权限分级
制造场景对答案出处极其敏感,回答必须附上文件名、版本号与页码或图块位置,便于现场核对原件。同时按角色控制可见范围:工艺参数对产线开放,成本与客户信息仅限管理层。本地化部署可用 Ollama 拉起 Qwen 系列模型,配合上述向量库完成纯内网问答,工程数据不出厂。
提醒:ezdxf 只能解析 DXF 格式,DWG 需先批量转换为 DXF 或 PDF 再入库;建议先在 10 至 20 份样本文件上验证提取质量与版本字段完整性,确认无误后再全量导入。
如果团队没有精力从零搭建这套解析与检索链路,也可以直接采用成熟的私有化方案。上邦的私有 AI 知识库方案(https://aiwork.shangbon.com/ai-rag.html)已内置工程文档解析、版本管理与权限分级能力,支持纯内网部署,可结合自身文档体量评估取舍。
参考来源
ezdxf 官方文档(DXF 读取与实体遍历) - ezdxf.readthedocs.io;Chroma 官方文档(元数据写入与 where 条件过滤查询) - docs.trychroma.com。