文章大綱
- 只要過一遍LLM的簡約版本
-
- 1 設計原理（一句話）
- 2 極簡數據流
- 3 最小依賴實現（本地 SQLite + OpenAI 兼容端點）
-
- 3.1 一次性準備：Excel → SQLite
- 3.2 關鍵詞提取 + 查表（正則 / SQL）
- 3.3 單次 LLM 調用
- 4 運行結果示例
- 5 性能 & Token 對比
- 6 可擴展點
- 7 參考實現鏈接
- 簡約升級版，支持結構化，非結構化數據源
-
- 1 設計總覽
- 2 最小依賴
- 3 代碼實現（可直接復用）
-
- 3.1 統一載入器
- 3.2 萬能查詢器
- 3.3 整合到單次 LLM 調用
- 4 使用示例
- 5 擴展方向（仍保持原生）
請根據上文，我想到了一種比google llm function-calling還簡單的辦法，無 RAG：Function-Calling 查表模式
仍然需要兩次經過llm ，而如果我們通過本地的查詢方式從日志關鍵詞，關鍵字段中映射excel 的key 獲取其關鍵內容【類似查詢數據庫】然后返回結果，進而豐富、完善進入llm 的prompt內容， 則只需要一次經過llm 就可以直接獲取根因分析的答案，更加簡潔、快速、準確，請根據我的設計完善方案和樣例代碼，給出原理，參考實現的鏈接
只要過一遍LLM的簡約版本
1 設計原理（一句話）
先拿日志關鍵詞做 確定性鍵值匹配（本地 dict/SQL），把 Excel 中對應行直接拼進 Prompt，再讓 LLM 一次性生成根因與建議；
減少一次 LLM 往返，Token 更低、延遲更低、準確率可控。
2 極簡數據流
日志原文 ──正則提取──? device_id, fault_code ──本地查表──? Excel 行│▼LLM Prompt = 日志 + Excel 行 ──? 根因+建議
mybatis和hibernate的 緩存區別?)
版)
