图拓扑约束的检索增强推理框架：大语言模型在轨道交通机车检修中的应用

本文介绍将知识图谱与大语言模型结合的轨道交通机车检修问答系统，通过图拓扑约束的检索增强推理（RAG）框架，解决传统检修记录查询耗时易遗漏、通用大语言模型存在幻觉与领域知识不足等问题，实现复杂检修记录的智能理解与精准回答，为工业领域大语言模型应用提供参考。

轨道交通机车安全运行依赖定期检修，但传统非结构化检修记录查询耗时且易遗漏关键信息；通用大语言模型应用于专业检修领域面临幻觉、缺乏领域知识、无法有效利用历史数据等挑战，因此提出知识图谱与检索增强生成技术结合的解决方案。

框架融合知识图谱结构化特性与大语言模型推理能力，关键组件包括：1.知识图谱构建模块（从检修记录提取实体与关系）；2.实体/关系抽取模块（处理带参数故障描述）；3.实体链优化模块（筛选相关信息）；4.回答生成模块（基于筛选信息生成准确回答）。

项目提供覆盖全流程的提示词模板，如NER模板提取故障部件、NETMOD模板识别修复方式、SH_ENTITY_EXTRACT处理带参数故障、SH_RELATIONS_EXTRACT抽取实体关系、RAG_ANSWER_GENERATE约束回答准确性等，体现领域知识工程化。

项目提供去标识化检修记录表格样例、图谱关系JSON文件，保留语义信息且保护隐私；框架提供可复用工程范式，可借鉴到航空维修、电力设备检修等领域。

该框架有效克服大语言模型幻觉问题，利用历史数据资产，确保信息准确可解释；未来可扩展多模态数据、复杂推理链条、跨领域迁移；为大语言模型工业应用提供实践案例，其设计理念与架构值得借鉴。