厂区级大模型问答，我们选"确定性"那一条路（方法论和交钥匙）- 大数跨境

AI驱动数字化转型

2026-08-07

导读：它的边界写在 README 里：不是 GraphRAG 的替代品，不是 Neo4j，不做大规模图。它填的是 KAG 太重、中小厂落不了地那个空白。确定性、可解释、全本地化、换数据即用。

所有 AI 问答都在赌大模型不会错。可工厂里的问题不是文学题。

"这批密封圈用在哪些阀门上""哪个客户设备保修快到期""金额超过五十万的合同有哪些"。这些是台账查询，答案应该确定，成本应该为零，错了要能说清为什么。

大模型问答在这类问题上有个天然矛盾：它什么都答，但你不能全信。图检索和向量召回补不齐这个洞，因为兜底依然是模型。

我们做的开源项目 factory-ontology 换了条路。把结构化台账自动建成本体，用规则引擎回答结构化查询。实测规则引擎四领域命中率 100%，裸大模型 78%。差的那二十二个百分点，是平均值和总和算错，是幻觉的成本。

它的边界写在 README 里：不是 GraphRAG 的替代品，不是 Neo4j，不做大规模图。它填的是 KAG 太重、中小厂落不了地那个空白。确定性、可解释、全本地化、换数据即用。

有个细节值得说。做溯源时发现，多表 join 表的主键不唯一，会导致实体 URI 碰撞，反向溯源静默失效。这类坑，只有真跑到"召回"场景才踩得到，写 demo 碰不上。

项目已经有人 fork。比起星数，我更在意有没有人真的拿去换数据跑一遍。开源的价值不在仓库大小，在于有没有人把它当台阶。

确定性不是限制，是契约。当 AI 能被追问"为什么是这个答案"时，它才配进车间。

github开源地址：https://github.com/zhengjinjun1975/factory-ontology

【声明】内容源于网络

AI驱动数字化转型

专注AI，促进智造行业数据衍生，服务智能制造企业的数字化、智能化，聚焦大模型私域部署、大模型微调、数据清洗、AI模型训练、私域知识库及agent技术延展等。行业智能，落地为先。

内容 1081

粉丝 1

AI驱动数字化转型专注AI，促进智造行业数据衍生，服务智能制造企业的数字化、智能化，聚焦大模型私域部署、大模型微调、数据清洗、AI模型训练、私域知识库及agent技术延展等。行业智能，落地为先。

总阅读10.4k

粉丝1

内容1.1k