1. 架构：知识闭环

`` 故障报修 ↓ 异步相似检索（事前）→ 维修参考附注："3号注塑机去年10月同样故障，张工换了接触器修好的" ↓ 工程师维修（参考历史经验） ↓ 工单关闭 ↓ LLM 提取知识对（事后）→ { faultPattern, rootCause, solution, keyParts } ↓ embedText() → pgvector write ↓ 下次类似故障 → 检索命中 ``

每一次维修都在让下一次维修更简单。

2. 向量生成

EAMX 使用 OpenAI text-embedding-3-small (1536 维)：

``typescript // rag.ts — embedText() export async function embedText(text: string): Promise<number[] | null> { if (!text || text.trim().length < 3) return null; const resp = await openai.embeddings.create({ model: "text-embedding-3-small", input: text.slice(0, 8000), // 模型上限保护 dimensions: 1536, // 显式指定维数 }); return resp.data[0]?.embedding ?? null; } ``

为什么选 1536 维而非更大的 3072？ 1536 维在精准度与存储/查询性能之间达到了工程上的甜点。3072 维提升有限但存储与查询开销翻倍。

3. pgvector 存储与检索

3.1 存储

``typescript // rag.ts — saveEmbedding() export async function saveEmbedding(opts: SaveEmbeddingOpts): Promise<void> { // 幂等：同一 source_id 不重复写入 const exists = await pool.query(  SELECT id FROM knowledge_embeddings WHERE source_id = $1 LIMIT 1`, [opts.sourceId], ); if ((exists.rowCount ?? 0) > 0) return;

const vector = await embedText(opts.content); if (!vector) return;

await pool.query( INSERT INTO knowledge_embeddings (tenant_id, source_type, source_id, content, embedding) VALUES ($1, $2, $3, $4, $5::vector), [opts.tenantId, opts.sourceType, opts.sourceId, opts.content.slice(0, 2000), [${vector.join(",")}]], ); } ```

3.2 语义检索

``typescript // rag.ts — searchSimilarFaultSolutions() const rows = await pool.query(  SELECT ak.id AS knowledge_id, 1 - (ke.embedding <=> $1::vector) AS similarity, ak.equipment_name, ak.fault_symptom, ak.root_cause, ak.solution FROM knowledge_embeddings ke JOIN agent_knowledge ak ON ak.id = ke.source_id WHERE ke.tenant_id = $2 AND ke.source_type IN ('fault_solution', 'external_knowledge') AND 1 - (ke.embedding <=> $1::vector) >= $3 -- 阈值过滤 ORDER BY ke.embedding <=> $1::vector -- 按距离排序 LIMIT $4, [pgVecStr, tenantId, threshold, limit], ); ``

关键点：

<=> 是 pgvector 的余弦距离运算符。1 - (embedding <=> query) 转换为相似度（0→1）
类型安全：$1::vector 显式 cast，避免 pgvector 的类型推断歧义
阈值过滤：>= 0.5 过滤低相关度结果，避免返回"不相关但恰好余弦距离最近"的噪声

3.3 异步调度

``typescript // fire-and-forget，不阻塞主业务流程 export function scheduleEmbedding(opts: SaveEmbeddingOpts): void { setImmediate(() => { saveEmbedding(opts).catch(err => aiLog.warn([RAG] scheduleEmbedding error: ${err.message})); }); } ``

4. 知识生成两条路径

路径一：外部知识查询触发

```typescript // external-knowledge.agent.ts — queryKnowledge() const { text } = await generateText({ system: "你是一位工业设备领域的高级专家...", prompt: context, // 用户问题 + 设备上下文 maxOutputTokens: 1500, });

// 异步写入 agent_knowledge + embedding if (saveToKnowledge) { await pool.query(INSERT INTO agent_knowledge (...) VALUES (...)); scheduleEmbedding({ tenantId, sourceType: "external_knowledge", sourceId: knowledgeId, content: ${context} ${text} }); } ```

路径二：工单关闭自动提取

当维修工单关闭时，LLM 从维修过程中提取结构化知识对：

``` 工单内容： 故障：料筒温度偏高，PID调节无效 维修：检查传感器正常 → 接触器触点烧蚀（根因）→ 更换CJX2-2510 → 校准PID

→ LLM 提取： { "faultPattern": "料筒温度偏高，PID调节无效", "rootCause": "加热器接触器触点烧蚀", "solution": "更换接触器（CJX2-2510），校准PID参数", "keyParts": ["CJX2-2510接触器"], "repairDuration": "45分钟" } → embedText(faultPattern + rootCause + solution) → pgvector write ```

5. 语义检索 vs 关键词检索

传统搜索靠关键词——搜"温度偏高"找不到"温控异常"。pgvector 语义检索：

``` 用户问："料筒温度老是偏高，自动调不过来怎么办？"

→ 向量化查询 → 余弦相似度搜索 → 命中： 0.93 "料筒温度偏高，PID调节无效 — 接触器触点烧蚀" 0.87 "加热区温度异常偏高 — 加热器功率控制器故障" 0.72 "温控系统不稳定 — 传感器信号受干扰" ```

用户不需要匹配精确关键词。 语义级别的匹配意味着"怎么说都行"。

6. 核心文件索引

| 文件 | 行数 | 职责 | |---|---|---| | agents/rag.ts | 184 | embedText + saveEmbedding + searchSimilarFaultSolutions | | agents/external-knowledge.agent.ts | 477 | LLM 生成行业知识 + 写入 knowledge embedding | | agents/fault.agent.ts | — | 工单关闭时触发知识提取 | | knowledge_embeddings 表 | — | pgvector 向量存储 | | agent_knowledge 表 | — | 知识对元数据（可追溯源工单） |

下一篇：DynamicForm 置信度着色——AI 填好的表单，用户怎么在 3 秒内判断信任度？