第一步:盘点技术文档并分级
非标设备企业的技术资产分散在五类文档里:技术方案书(客户需求与选型思路)、技术协议(双方确认的功能边界)、BOM 与图纸(物料构成与结构)、报价与成本测算(历史项目的成本结构)、验收与售后记录(现场问题与整改过程)。建库前先按这五类盘点存量文件,逐一标注格式(docx、pdf、xlsx、dxf)、项目归属与保密等级。分级的目的有二:一是决定解析优先级,方案书与技术协议的问答价值最高,应优先入库;二是决定权限,报价与成本类文档默认仅限管理层检索。
第二步:按章节切片,表格保留行级结构
方案书通常几十页,整篇入库会导致检索返回大段无关内容。推荐按章节标题切片,每片携带所属章节路径;表格按行拆分,每行附表头作为上下文。以下是使用 python-docx 提取 docx 章节结构的示例:
from docx import Document
doc = Document('方案书-XX产线-2025.docx')
current = '前言'
chunks = []
for p in doc.paragraphs:
if p.style.name.startswith('Heading'):
current = p.text
elif p.text.strip():
chunks.append(current + ' | ' + p.text.strip())
# chunks 中每条形如:三、设备选型 | 输送段采用板链线...
# 可直接作为 documents 写入向量库dxf 图纸可用 ezdxf 提取图层与文字标注,作为辅助片段一并入库,使图纸信息也能参与检索。PDF 文件可用 pypdf 按页提取后再套用同样的章节切分逻辑。
第三步:元数据设计决定检索精度
非标行业一项目一档,元数据至少包含五个字段:project_no(项目编号)、equipment_model(设备型号)、doc_type(上述五类之一)、version(版本)、customer(客户,可脱敏为编号)。设计原则是:凡检索时会用作过滤条件的字段,都必须在入库时写全,事后补录的成本远高于入库时顺手记录。版本字段尤其关键,新版本入库时应把旧版本标记为 superseded,避免回答引用过期参数。
第四步:入库与带出处问答
import chromadb
client = chromadb.PersistentClient(path='./nonstd_kb')
col = client.get_or_create_collection('tech_docs')
col.upsert(
ids=['proj-2025-018-slice-031'],
documents=['三、设备选型 | 输送段采用板链线,节拍...'],
metadatas=[{'project_no': '2025-018',
'doc_type': 'proposal',
'version': 'v3',
'status': 'effective'}]
)
res = col.query(query_texts=['板链线的节拍是多少'],
n_results=3,
where={'status': {'$eq': 'effective'}})检索结果连同元数据一起拼入提示词,要求模型逐条标注出处(项目号与章节),凡无法对应原文的内容应明确提示存疑。这套流程使用 Chroma 与本地 Qwen 模型即可在单台工作站上跑通,不需要公网 API,技术文档不出内网。
实施提醒
试点建议选择一个已结项的老项目全集入库,让熟悉该项目的工程师对照检验问答质量,再扩展到在档项目。报价与成本类文档的权限过滤必须在应用层实现,不要只依赖提示词约束;BOM 与图纸涉及客户保密条款的,入库前需与合同约定核对。
上邦面向工贸企业的私有 AI 知识库方案(https://aiwork.shangbon.com/ai-rag.html)即按上述路径实施,覆盖本地化部署、文档解析与权限分级,非标设备企业的方案书与 BOM 资产可在内网环境中完成检索问答建设。
参考来源
Chroma 官方文档:Manage Collections - docs.trychroma.com;Chroma Usage Guide - chroma-core/docs(GitHub 仓库);python-docx 官方文档 - python-docx.readthedocs.io。