为什么是 RAG + 工具调用
据公开信息,阿里云2026年8月开源通义千问工业大模型 Qwen3-Industry,针对工艺参数表、PLC 指令、设备故障日志等工业文本预训练,在12B参数规模下于工业知识问答、工艺异常归因任务上超越同类开源模型30%以上。这意味着中小制造企业以低成本私有化部署工业大模型成为可能,而把大模型真正用起来,通常走检索增强生成 + 函数调用两条路径:RAG 解决知识可控、工具调用解决执行闭环。
设备维修智能体骨架
下面是一段可运行的骨架:先用工单与故障手册的向量库做 RAG,再以 OpenAI 兼容接口把大模型接到本地部署的工业模型,通过函数调用查询历史、创建工单。其中 base_url 指向你本地或内网部署的模型服务:
from openai import OpenAI
# 指向本地部署的工业大模型(如 Qwen3-Industry 的 OpenAI 兼容服务)
client = OpenAI(base_url='http://localhost:8000/v1', api_key='EMPTY')
tools = [
{
'type': 'function',
'function': {
'name': 'query_maintenance_db',
'description': '查询设备历史维修工单与故障日志',
'parameters': {
'type': 'object',
'properties': {
'machine_id': {'type': 'string'},
'days': {'type': 'integer'}
},
'required': ['machine_id']
}
}
},
{
'type': 'function',
'function': {
'name': 'create_work_order',
'description': '创建维修工单并派发班组',
'parameters': {
'type': 'object',
'properties': {
'machine_id': {'type': 'string'},
'issue': {'type': 'string'}
},
'required': ['machine_id', 'issue']
}
}
}
]
messages = [
{'role': 'system', 'content': '你是工厂设备维修智能体,先检索历史再决定是否开单。'},
{'role': 'user', 'content': '液压机 H-104 压力持续下降,调取近90天日志并判断是否需要维修。'}
]
resp = client.chat.completions.create(
model='Qwen3-Industry',
messages=messages,
tools=tools,
tool_choice='auto'
)
print(resp.choices[0].message)
落地步骤与注意
步骤一:RAG 打底。把 SOP、故障手册、历史维修工单向量化入库,用户提问时先检索再生成,显著降低幻觉。
步骤二:工具打通。把 query_maintenance_db、create_work_order 接到 MES 与资产系统,形成诊断—开单—派工闭环。
步骤三:边云协同。重推理上云、安全敏感检查本地化,保证断网可用、7×24 稳定。
提醒:产线场景对延迟与可用性要求严苛,建议先做只读的诊断建议,确认准确率后再开放自动开单权限,并把每一次模型决策留痕以便复盘。
参考来源
阿里云开源通义千问工业大模型 Qwen3-Industry 相关报道 - 电子维科网;LLM-Powered Manufacturing: Trends and Insights - DEV Community;行业大模型构建与 RAG 落地路径 - 新工业网。