文章大綱
-
- 1. 核心目標
- 2. 系統總體架構
- 3. Google Cloud 端到端方案（含無 RAG & RAG 雙模式）
-
- 3.1 無 RAG：Function-Calling 查表模式
- 3.2 RAG：托管式向量檢索
- 4. 開源輕量級方案
- 5. 數字孿生聯合驗證（實驗性）
- 6. 知識圖譜增強（Neo4j）
- 7. 監控與持續優化（CometLLM）
- 8. 實施路線圖（4~10 周）
- 9. 典型案例速覽
- 10. 一鍵復現倉庫
- 11. 參考文獻
1. 核心目標
讓 LLM 在“零重寫、低延遲、高準確率”條件下，利用 Excel 表格中的設備參數、故障碼、維修記錄等結構化知識，完成實時日志解析與根因定位。
2. 系統總體架構
| 層級 | 技術選型（Google Cloud） | 技術選型（開源/本地） |
|---|---|---|
| 日志采集 | Pub/Sub + Dataflow | Kafka + Flume |
| 知識庫 | Cloud Storage Excel → Document AI → Vertex AI Vector Search | Excel → pandas → FAISS/Chroma |
| LLM 引擎 | Vertex AI PaLM 2 / Gemini 1.5 Pro | Llama-3-8B + vLLM |
| 數字孿生 | Unity 云渲染 + Cloud Run API | Unreal Engine + REST |
| 知識圖譜 | Neo4j Aura + Ve |
 邏輯備份實操)
)
