技能构成：Vertex/Gemini + 手写 prompt + pydantic 结构化输出 + 并行 LLM + reflect 反思 + LLM 聚类 + 静态知识库注入
目录
- 技能构成：Vertex/Gemini + 手写 prompt + pydantic 结构化输出 + 并行 LLM + reflect 反思 + LLM 聚类 + 静态知识库注入
- A. 直接补齐"分析深度"短板的技术
- 1. RAG / GraphRAG（检索增强 + 知识图谱）
- 2. 统计显著性 + 装机量归一 + 变点检测（非 LLM 的硬统计）
- 5. LLM-as-a-Judge + 评估闭环
- B. 提升系统能力 / 工程 / 体验的技术
- 6. 约束解码 / 原生结构化输出（Structured Outputs + grammar-constrained decoding）
- 7. 多语言 Embedding 聚类（BERTopic / HDBSCAN + LLM 命名）
- 8. 多模态（VLM 读故障图片/视频）
- 9. Agentic Workflow（planner + 工具 + 自省循环）
- 10. LLM 可观测性 + 语义缓存（Langfuse/LangSmith 类）
- 11. Prompt 自动优化（DSPy 类）
- 12. 小模型微调/蒸馏
- 性价比最高的 3 件（如果只做这些）
![]()
A. 直接补齐"分析深度"短板的技术
1. RAG / GraphRAG（检索增强 + 知识图谱）
- 现状：
domain_knowledge.py是静态知识塞进 prompt。 - 怎么用：把历史工单、Wiki、FA（失效分析）报告、BOM、维修手册做向量索引；根因分析时动态检索最相关证据。再进一步用GraphRAG把"末级标签—部件—根因—批次—供应商"建成知识图谱，支持跨工单的因果聚合。
- 好处/优势：根因有据可查、可引用具体历史案例，大幅降低幻觉；能跨工单归纳（“这个故障过去 3 个月出现过 40 次，均指向某供应商批次”）。
- 预期效果：把当前"（推测）生成端根因"升级为"有相似历史 + FA 证据支撑的假设"，直击上轮"因果全靠推测"的痛点。
2. 统计显著性 + 装机量归一 + 变点检测（非 LLM 的硬统计）<
