基于智能体增强生成式检索（Agentic RAG）的流程知识提取技术研究

在工业设备维护、工程操作指导等领域，传统技术手册多以非结构化文本、图表混合形式存在，难以直接被人工智能系统或机器人解读。将这些“ legacy 维护手册”转化为机器可读取的结构化流程，成为提升工业效率的关键需求——而精准的流程知识提取（Procedure Knowledge Extraction）技术，正是实现这一目标的核心路径。本文基于新加坡管理大学（SMU）商业信息技术硕士项目中“生成式AI与大语言模型”课程的研究项目，探讨如何通过“智能体增强生成式检索（Agentic RAG）”技术，解决传统流程知识提取的痛点，构建无需数据集标注或模型微调的通用型提取系统。

一、流程知识提取的核心挑战

从设备维护手册等技术文档中提取分步流程，是工业AI领域公认的难题。即便采用基于生成式检索（RAG）的大语言模型（LLM） pipeline，也常因文档本身的复杂性陷入瓶颈。具体而言，技术文档的“提取阻力”主要源于以下四点：

1. 术语不一致性

同类设备、操作动作或技术参数常以多种表述呈现。例如，“螺栓紧固”可能被描述为“螺丝拧紧”“紧固件固定”等，导致LLM难以识别语义关联。

2. 隐含步骤与信息分散

工具清单、安全警告、步骤依赖关系常分散在文档不同章节，甚至跨多个文档。例如，某设备拆卸步骤中未明确提及“需先关闭电源”，但该前提可能仅在“安全须知”章节中出现，传统RAG易遗漏此类关键隐含信息。

3. 语言与逻辑特殊性

技术文档的写作风格存在天然缺陷：一方面，表述不规范（如省略主语、简写术语）；另一方面，流程的强逻辑性（如“先拆卸A部件才能取出B部件”）难以被LLM直观理解，易出现步骤顺序错乱。

4. 流程复杂性与多模态干扰

流程描述中常穿插表格、示意图、工程图纸，传统文本提取技术无法关联“图像内容”与“文字步骤”。例如，手册中某步骤提及“安装图3所示部件”，但LLM无法解析图像中的部件位置，导致提取结果不完整。

传统RAG方案的应对方式——为每个新领域标注数据集或微调模型——不仅成本高，且难以适配工业场景中多样的技术文档类型。因此，构建“无需标注、无需微调”的通用型系统，成为流程知识提取的核心目标。

二、从基础RAG到Agentic RAG的技术演进

本项目通过“三步迭代”，逐步优化流程知识提取能力：从基础的视觉语言模型RAG（VLM-RAG），到多模态增强RAG，最终升级为Agentic RAG（智能体增强RAG），实现模块化、高适应性的提取架构。

1. 第一步：基础VLM-RAG pipeline——解决“扫描版PDF”提取难题

针对老旧手册的扫描版PDF（仅图像格式，无文本信息），项目首先构