FactoryOps-Agent 工厂运维智能归因系统产品系统Vibe Coding

传统工业现场每日产生海量设备告警日志，运维人员需人工翻阅日志、查阅手册、逐级排查，平均单次故障处理耗时超过40分钟，且严重依赖个人经验。通用大模型问答虽能辅助，但缺乏工业专业术语理解，常输出不准确甚至虚构的处置建议（幻觉），无法直接用于生产决策。本系统旨在构建面向工厂运维的智能归因平台，将告警采集、知识检索、根因分析、工单生成全链路自动化，将故障平均定位时间缩短至5分钟内，同时通过多层校验机制将问答准确率稳定在98%以上，切实降低运维成本与安全风险。

① 工业知识库管理模块 —— 支持设备手册、维修记录、操作规程等非结构化文档的上传、切片、向量化存储，并构建ES+Milvus双路索引，实现语义与关键词混合检索；② 智能问答与归因模块 —— 基于LangChain4j搭建RAG链路，接收用户自然语言问询或告警原始文本，经多级日志过滤、文本摘要压缩后，由大模型结合检索上下文输出故障根因与处置建议，并联动历史案例双向校验；③ Agent工具调用模块 —— 赋予大模型调用外部API的能力，可实时查询设备测点数值、运行状态、历史趋势，辅助根因推断，并通过大小模型路由与Redis缓存控制调用成本；④ 工单自动生成模块 —— 将归因结果一键转化为标准化运维工单，推送至工单系统，形成“告警采集 → 智能归因 → 工单处置”的完整业务闭环。

负责整体架构设计与核心链路开发。具体任务包括：设计工业文本的分片策略（按章节、标题、设备类型切割，重叠窗口保留上下文）；实现BM25（ES）与向量（Milvus）双路召回，采用RRF融合排序，并引入Cross-Encoder重排模型精排Top-K结果，显著提升检索精度；基于LangChain4j实现Few-Shot提示词模板、检索阈值准入（相似度低于0.7时拒答）及业务规则（如设备型号强制匹配）多层校验机制，抑制幻觉；开发告警日志智能归因流程，设计多级日志过滤规则（去重、去噪、时间窗口聚合）及文本摘要压缩策略，结合规则提取（正则匹配故障码）与LLM输出，再与历史相似案例库进行双向校验，存疑结果自动标记转人工；实现Agent工具调用框架，通过OpenAPI规范注册设备测点查询、状态查询等工具，大模型按需调用；优化成本方面，使用大小模型路由（简单问答由小模型处理）、Redis缓存会话历史与常用Prompt片段，LLM Token消耗降低约40%。技术栈涵盖SpringBoot、LangChain4j、Elasticsearch、Milvus、Redis。