Bloxed_shangyc的博客

这篇文章总结了第14课"第二阶段项目实战与总结"的核心内容，主要包括： 技能全景回顾 涵盖Embedding向量化、文档处理、向量数据库、RAG系统、LangChain框架、Agent开发和工程化部署四大模块 提供了详细的技能清单和掌握要求 自研RAG与LangChain对比 架构差异：自研版本更透明但扩展性差，LangChain更高效但抽象层多 代码量对比显示LangChain可大幅减少重复工作 根据不同场景推荐合适的方案选择 MaintenanceAssistant实战项目 集成RAG知识库、Agent

本文摘要介绍了AI应用项目工程化与部署的核心内容： 工程化必要性：从单文件脚本转向支持多人协作、持续迭代和可靠部署的标准化项目结构 标准项目结构：展示了一个包含src、tests、configs等目录的规范布局，强调模块化设计和环境配置分离 关键技术实现： 使用FastAPI构建RESTful接口 通过Docker容器化部署 配置CI/CD自动化流程 实现日志监控系统 团队协作规范：包括Git分支策略、代码审查机制和环境变量管理 实践指导：提供从基础结构搭建到高级功能扩展的渐进式练习，包含项目脚手架生成器的

本课程介绍了LangChain Agent的开发实战，重点讲解了如何构建设备维修诊断智能代理。主要内容包括： Agent核心概念：由LLM+工具集+决策循环组成，能自主规划执行流程 常用Agent类型对比及适用场景 使用@tool装饰器定义维修工具（知识检索、设备查询、工单创建等） 构建AgentExecutor执行环境及参数配置 Agent内部决策循环的详细工作流程 工具设计最佳实践和调试技巧 课程通过液压泵故障诊断的完整案例，展示了Agent如何自主调用多个工具完成复杂任务。最后提供了从基础到挑战的三级

本文介绍了使用LangChain框架重构RAG系统的核心内容。首先分析了手工搭建RAG系统的不足，指出LangChain能解决文档格式适配、分块策略切换等生产环境问题。重点讲解了LangChain的七大核心抽象（DocumentLoader、TextSplitter等）及其在设备维修场景的应用映射，并提供了代码示例展示各组件使用方法。文章对比了LangChain与LlamaIndex的定位差异，建议复杂系统选择LangChain。最后给出实践练习和验证清单，帮助掌握LangChain重构RAG系统的完整流程

摘要： 本文介绍了信息收集Agent的开发方法，用于自动生成设备运行分析报告。该Agent通过查询设备信息、维修记录等数据源，自动完成数据收集→分析→报告生成的完整流程。核心功能包括：1）使用字典结构存储设备与维修数据；2）通过InfoCollectionAgent类实现数据收集与报告生成；3）调用大模型（如DeepSeek）进行专业分析并输出Markdown格式报告。报告涵盖设备基本信息、维修统计、故障趋势、风险评估及建议措施。代码提供交互模式，支持按设备ID生成定制化报告，适用于工业设备运维场景。

本文介绍了ReAct模式Agent的实现与应用。ReAct模式通过显式Prompt定义工具选择，让AI按"思考→行动→观察"循环执行任务，相比Function Calling具有更高的透明度和调试便利性。文章提供了一个设备维修诊断Agent的完整实现方案，包含查询设备状态、维修历史、备件库存和创建工单等功能。代码展示了如何构建ReAct循环结构，并以空压机、注塑机等工业设备为例进行多轮诊断演示。该实现不依赖LangChain框架，采用纯Prompt方式，适合需要分步推理的可解释性场景。学习后可掌握ReAct

摘要 本文介绍Function Calling机制在设备维修系统中的应用，通过5个核心工具实现大模型与系统功能的交互。主要内容包括： Function Calling概念：使大模型能够调用外部函数执行实际任务，如查询数据库、操作系统等。 设备维修系统的5个核心工具： 查询设备状态 搜索备件库存 创建维修工单 查询维修历史 检查安全规程 技术实现： 定义工具JSON Schema 实现工具执行函数 建立工具映射关系 完成调用循环 通过Python代码示例演示了完整调用流程，包括模拟数据、工具函数实现和Open

本文介绍了构建RAG知识库评估体系的方法，重点针对设备维修场景。主要内容包括： 评估指标：提出Recall@K、MRR、答案相关性、忠实度和完整性5个核心指标 测试集构建：建议覆盖多种设备类型、查询类型和难度级别的问题 LLM评分方法：使用Prompt模板让大模型自动评估回答质量 实践应用：提供Python代码示例，展示如何实现检索效果评估（Recall@K和MRR） 评估体系可帮助量化RAG系统性能，实现数据驱动的持续优化，适用于设备维修等专业领域的知识库建设。

本文介绍了优化RAG（检索增强生成）系统的方法，重点针对设备维修知识库场景。主要内容包括： 混合检索技术：结合向量检索（语义匹配）和BM25关键词检索（精确匹配），通过RRF（Reciprocal Rank Fusion）算法融合两者结果，提高检索准确率。 重排序（Reranking）：使用Cross-Encoder模型对混合检索的Top-20结果进行二次精排，选出最相关的Top-5文档。 引用溯源：确保AI回答中包含明确的引用来源，便于维修人员验证建议的可靠性。 实践应用：提供了设备维修知识库的示例数据和

本文介绍了RAG（检索增强生成）问答系统的完整搭建流程和应用实践。主要内容包括： RAG系统架构全景：分为离线索引（加载→分块→嵌入→存储）和在线查询（提问→嵌入→检索→生成）两阶段流程 设备维修问答系统的实现： 文档处理：加载、分块（300-500字）、向量化 检索优化：多路召回、重排序、查询改写等技术 提示词工程：包含角色设定、约束条件和输出格式要求 评估指标：检索召回率、精确率、回答正确率等关键指标 生产环境注意事项：增量更新、缓存机制、并发处理等 常见问题解决方案：针对检索失败、回答不准确等问题的处

文章摘要 本文介绍了向量数据库在RAG系统中的核心作用，重点对比了Chroma和FAISS两种主流向量数据库的特性与应用场景。主要内容包括： 向量数据库原理：支持语义相似度搜索，与传统数据库的精确匹配形成对比 Chroma与FAISS对比：Chroma简单易用适合原型开发，FAISS性能优异适合大规模数据 元数据过滤技术：通过结构化条件缩小搜索范围，提高查询效率和结果相关性 设备维修系统架构设计建议：根据数据规模选择合适方案（Chroma/FAISS/Milvus/Qdrant） 实践指导：包含代码示例演示

本文摘要：本文详细介绍了RAG系统中的4种文本分块策略，包括固定大小分块、递归字符分块、语义分块和文档结构分块，分析其优缺点及适用场景。重点讲解了重叠策略的作用和参数设置方法，针对设备维修系统提供了文档类型与分块策略的对应建议。文章还提出了chunk_size选择的三步法，并给出了分块质量评估方法和不同设备的差异化配置方案，最后提供了可运行的Python实现脚本和练习验证清单。

文档加载与解析实战 - 摘要 本节课程重点介绍了RAG系统中文档加载与解析的关键技术。主要内容包括： 重要性：文档解析质量直接影响后续检索和生成效果，设备维修系统需处理多种格式文档（PDF、Word、Excel等） 工具对比： PDF推荐pypdf/pdfplumber Word使用python-docx Excel选择openpyxl HTML推荐BeautifulSoup4 关键技术： PDF需处理多栏排版、表格和页眉页脚 Word需保留段落层级结构 Excel表格需转为自然语言描述 扫描件PDF需OC

本文介绍了Embedding（嵌入向量）的核心概念及其在RAG（检索增强生成）系统中的应用。主要内容包括： Embedding定义：将文本转换为固定长度的浮点数向量，能够捕捉语义信息 核心作用：在设备维修等场景中实现语义搜索，解决口语化提问与传统关键词不匹配的问题 关键技术： 余弦相似度计算（值域[-1,1]） 常见Embedding模型比较（如all-MiniLM-L6-v2、bge-large-zh等） 向量维度选择（推荐384-768维） 应用场景：故障描述匹配、维修方案推荐、备件关联等 实践建议：包

这篇文章介绍了设备维修养护系统中的AI诊断模块开发实践，包含两个核心项目： 《AI能力测评笔记》：通过对比ChatGPT、Claude等主流AI产品在故障诊断场景的表现，总结出10个有效Prompt案例（如故障分类、维修工单结构化）和10个无效案例（如模糊的诊断请求），关键发现包括：必须使用思维链(CoT)降低误判率、JSON输出需结构化、温度参数对诊断一致性影响大。 《设备维修AI诊断助手》代码实现：采用Python开发，整合API调用、流式输出等技术，核心功能包括： 结构化诊断结果输出（故障类型、根本原

本文介绍了设备维修系统中API调用的错误处理与重试机制。主要包含：1）常见API问题（网络波动、认证失败、限流等）及其对应HTTP状态码；2）核心原则——确保维修工单数据不丢失，网络问题可重试，格式问题需修复；3）Python实现的重试机制代码示例，包含指数退避策略；4）使用tenacity库简化重试逻辑；5）针对长文本维修记录的Token超限处理方案；6）容错架构设计，通过请求队列暂存失败请求。这些方法能有效提升设备维修系统在异常情况下的稳定性。

本文介绍了流式输出技术在设备维修系统中的应用。主要内容包括：1）流式输出能显著提升维修人员的交互体验，实现诊断过程的实时展示；2）基础流式调用的代码实现；3）完整的流式诊断对话程序示例；4）高级技巧：结合流式输出和JSON结构化数据解析；5）实践练习和检验标准。重点讲解了如何通过OpenAI API实现逐字显示的诊断结果，并提供了功能完善的对话机器人代码框架，包括Token统计、结构化输出等实用功能，适用于工业场景下的设备维修辅助系统开发。

摘要： 本文介绍了在设备维修系统中实现AI输出结构化JSON数据的三种方法：1）通过Prompt明确要求JSON格式；2）使用response_format参数强制JSON输出；3）采用Structured Outputs结合Pydantic模型实现严格类型校验。JSON结构化输出能高效提取故障原因、备件、工时等关键信息，直接对接数据库和工单系统。文中提供Python代码示例，包括单工单解析、批量处理及API封装实践，并强调生产环境中推荐使用Structured Outputs确保数据可靠性。学习目标为掌握

本文介绍了如何开发一个设备维修诊断助手的命令行程序。基础版实现简单的故障诊断对话功能，进阶版则增加了多角色切换（维修工程师/设备管理员/安全主管）、对话统计（Token用量和费用计算）以及诊断记录保存功能。程序使用DeepSeek模型，支持多轮对话，包含系统提示设计、统计功能实现和JSON格式记录保存等核心功能模块。该工具可帮助维修人员通过命令行界面获取专业的设备故障诊断建议。

本文介绍了Python调用OpenAI API实现设备维修系统智能分析功能的方法。主要内容包括：1）环境准备与API密钥配置；2）单次故障分析API调用示例；3）多轮诊断对话实现方案；4）兼容DeepSeek/通义千问/Ollama等不同模型的方法。文章提供了完整的代码实现，包含系统角色设定、故障描述分析、多轮对话交互等核心功能，并给出成本估算练习。学习目标为掌握通过API实现设备故障智能诊断的基本流程，要求能够完成故障分析、实现多轮对话并估算API调用成本。

摘要 Self-Consistency和ReAct是提升设备维修AI诊断可靠性的两种Prompt技术。Self-Consistency通过多路径独立诊断（如电气、机械、综合角度）并投票表决，提高结论可信度，适用于关键设备或高风险故障；ReAct则模拟工程师的“推理-行动”循环（如查手册、检传感器），适合多步骤复杂故障排查，是开发维修Agent的基础框架。实践练习包括对比单次与多路诊断结果、用ReAct模拟注塑机温度故障排查。掌握这两种方法可优化故障诊断的准确性和系统性。

以设备维修系统为场景，建立系统化的Prompt调试方法论，像调试代码一样调试提示词

本文介绍了在设备维修系统中通过角色设定和输出格式控制提升AI输出质量的方法。主要内容包括： 角色设定三要素（身份、专长、风格）及其对输出专业性的影响 三种结构化输出格式：维修工单模板、JSON数据库格式、维修报告模板 组合使用角色设定、思维链推理和格式控制的技巧 提供三个实操练习：角色AB测试、JSON稳定性测试、角色模板设计 强调设备维修场景中对输出格式稳定性的特殊要求

本文介绍了Chain-of-Thought（思维链）提示在设备故障诊断中的应用。主要内容包括：1）CoT的定义及优势，通过展示推理过程可提高诊断准确性；2）三种CoT写法（简单指令法、Few-shot示例法、结构化框架法）；3）适用场景（复杂故障诊断）与不适用场景（简单查询）；4）实践练习要求对比CoT效果并设计诊断模板。学习目标为掌握CoT技巧，使AI在故障诊断中给出更可靠的推理分析。检验标准包括理解CoT原理、熟练运用不同写法及验证效果提升。

本文介绍了大型语言模型在设备维修系统中的两种核心提示技巧：Zero-shot和Few-shot。Zero-shot适用于模型"天然会"的任务（如故障分类、优先级判断），通过直接描述任务即可完成；Few-shot则通过提供2-5个典型示例（如维修工单结构化提取），让模型学习特定格式和专业判断。文章对比了两种方法的适用场景，强调Few-shot示例需要代表性、格式统一性和边界情况覆盖，并提供了设备维修场景的具体应用实例和练习方法，最后提出检验标准包括区分适用场景、撰写优质示例和量化效果对比。

本文介绍了大模型在设备维修系统中的核心概念及应用。主要内容包括：1）大模型通过概率预测逐字生成文本的工作原理；2）Token作为文本处理单位的重要性，以及如何计算维修工单的Token消耗和成本；3）Temperature和Top-P参数的作用，针对不同维修场景（故障诊断、方案生成等）的参数设置建议；4）提供实践练习，包括测试Temperature影响、Token估算和系统参数规划。文章强调在设备维修场景中需要平衡AI输出的稳定性和灵活性，并给出了具体应用场景的参数配置建议。

本文介绍了如何通过体验AI产品来建立对大模型在设备维修场景中能力边界的认知。建议测试3款以上AI产品（如ChatGPT、Claude、通义千问等），重点关注故障诊断、方案生成、工单理解等维度。通过设计四象限测试（简单/复杂任务×知识/推理类）和三个实操练习（对比测评、幻觉测试、优劣记录），帮助开发者直观了解AI在设备维修领域的优势和局限。最终要求完成产品对比，总结出5个适用和5个不适用的维修场景，为后续系统开发提供决策依据。