汽修AI智能体V1.0——从模型微调到应用部署

项目目标：为公司旗下汽修连锁品牌开发并部署一个私有化AI智能体，旨在将分散的维修经验系统化、智能化，为技师提供实时决策支持。

1. 智能体私有化部署与领域微调

项目一期核心是打造智能体的“大脑”。我们选择了性能与成本均衡的 DeepSeek-V2 模型作为基座。

• 环境：在客户自有机房部署了双卡GPU服务器。

• 安全：整套系统在内网运行，确保所有维修数据不出域，满足商业安全要求。

• 领域微调：关键步骤。我们收集了历史积累的约5万条高质量维修记录（包含车型、症状、解决方案文本），对基础大模型进行了全参数指令微调。此步骤旨在让模型深入理解汽修领域的专业术语和问题诊断逻辑，使其从一个“通才”转变为“汽修专家”。

2. 学习阶段：构建多模态知识库

微调后的模型具备了汽修领域的“常识”。但要进行精准案例检索，我们同步构建了一个向量知识库。

• 数据管道：开发了一个数据清洗与解析工具，将每条维修记录中的文本描述（问题、方案）和图片特征（通过CLIP模型提取）转换为向量。

• 存储：所有向量存入 Chroma​ 向量数据库。这使得智能体能够进行高效的相似性搜索，而非仅仅依赖模型的内置知识。

3. 智能应用APP：自然交互与精准赋能

我们开发了移动端APP作为智能体的交互界面。

• 交互流程：

  1. 输入：技师可通过语音或文字描述问题，例如：“一辆2019款奥迪A4L，行驶中方向盘往右跑偏。”

  2. 推理与回答：APP将问题发送至智能体。智能体的工作流程如下代码所示：

   

  # 简化版核心处理逻辑
  def diagnose(vehicle, problem_text):
      # 1. 理解用户意图，提取关键信息（如车型、症状）
      intent = agent.understand(problem_text)
  
      # 2. 在向量知识库中检索最相似的10个历史案例
      similar_cases = vector_db.search(vehicle, intent)
  
      # 3. 指令模型基于检索到的案例进行推理和总结
      prompt = f"参考案例：{similar_cases}。请诊断：{problem_text}"
      answer = fine_tuned_llm.generate(prompt)
      return answer​

  • 智能体会返回结构化答案，包括最可能的故障原因、概率排序及检查建议。技师可点击查看每个原因对应的历史案例详情（包括现场照片）。

  4. 实现“越用越聪明”的数据飞轮

  系统的核心优势在于其自我进化能力。

  • 闭环设计：每次成功维修后，技师被要求在APP中确认最终解决方案。该方案会与本次查询记录一同被存入数据库。

  • 数据优化：我们设置了一个定时任务，每周自动筛选出被多次验证有效的“高价值”案例。

  • 模型迭代：每季度，我们会利用这批新的高质量数据，对已部署的模型进行一次增量微调，从而稳步提升智能体的诊断准确率。