产品发布

别再拿通用大模型硬套业务:行业知识图谱驱动的微调怎么落地

通用大模型在业务现场频频答非所问,问题往往不在模型,而在缺少可被调用的行业知识。本文从中小企业常见误区切入,给出用行业知识图谱驱动模型微调的可执行路径,并附两个典型场景与本周就能启动的动作清单。

2026-11-16

产品发布

一位做工业配件批发的负责人最近提了个很具体的问题:公司花两个月接上的通用大模型客服,能聊天气、能写文案,可客户问「这个型号能不能替代上一批的密封件」,它答得头头是道,却是错的。业务员不敢用,IT 负责人也说不清问题出在模型、数据还是提示词。这不是个例,而是当前中小企业 AI 落地最典型的卡点。

真正的症结往往不在模型参数量,而在知识没有被结构化。企业内部的产品参数、替代关系、工艺约束、售后规则,散落在 Excel、PDF、老师傅的经验和老系统的字段里。通用模型没见过这些,也没有稳定渠道去查,只能靠概率生成,于是「说得很像」和「说得对」之间隔着一道鸿沟。

一个常见误区:先微调,后补知识

很多团队的默认动作是:收集一批问答对,直接做监督微调。短期看效果不错,但很快会遇到三个问题。一是问答对覆盖不到长尾,客户换个问法就失效;二是业务规则一变,模型就过时,只能反复重训;三是模型记住了结论却记不住依据,出错时无法追溯,业务方不敢把关键环节交给它。

更麻烦的是,微调数据本身来自人工整理,整理者理解不一致,模型就学到了矛盾的答案。最后团队往往得出一个错误结论:大模型不适合我们行业。其实不适合的不是大模型,而是「跳过知识治理直接调模型」这条路径。

趋势判断:知识层正在成为模型之外的第二个基础设施

近一年企业侧的明显变化是,讨论重心从「用哪个模型」转向「知识怎么组织」。通用能力会持续商品化,真正拉开差距的是企业独有的知识资产:谁把行业关系梳理成机器可读的结构,谁的 AI 就更像一个懂行的老员工。知识图谱的价值不在于炫技,而在于把「型号—参数—替代关系—适用工况—售后规则」这类关系显式表达出来,让模型有据可查。

这也解释了为什么单纯堆提示词效果有限。提示词能约束表达方式,却补不上缺失的事实。当知识以图谱形式存在,模型在生成前可以先检索、再推理、后作答,错误率和对齐度都会有实质改善。

可执行方法:四步把图谱接进微调流程

第一步,划定最小知识域。不要一上来做全公司知识库,选一个高频、高价值、边界清晰的场景,例如配件选型或售后故障判断,先把这一个域的关系梳理清楚。

第二步,定义实体与关系。把产品、型号、参数、工况、故障现象、处理动作列成实体,把「可替代」「适用于」「导致」「需配合」列成关系。这一步不需要复杂工具,一张结构清晰的表就是图谱的雏形。

第三步,让图谱参与训练与推理。微调阶段,用图谱生成高质量指令数据,保证答案有依据、口径一致;推理阶段,让模型先检索图谱子图再作答,规则变更时更新图谱即可,不必重训模型。

第四步,建立评估闭环。准备一批真实业务问题作为测试集,分别记录「答对」「答错但可追溯」「答错且无依据」的比例。每周看一次,比看模型跑分更有意义。

场景一:配件选型与替代推荐

在工业配件、电子元器件这类场景里,客户提问往往带着模糊条件:旧型号停产、工况略有变化、预算有限。业务员靠经验判断,新人上手慢。把型号、参数、替代关系和适用工况做成图谱后,模型可以先定位候选型号,再按约束条件筛选,最后给出带依据的推荐。业务负责人关心的不是模型多聪明,而是新人能不能在一周内达到老师傅七成的判断水平。

场景二:售后故障诊断与知识沉淀

售后环节的知识最容易流失。老师傅的判断逻辑很少被完整记录,人一走,经验就断了。用图谱把「故障现象—可能原因—验证步骤—处理方案」串起来,模型在接到描述后可以给出排查路径,而不是一句笼统的「建议联系售后」。更关键的是,每次真实工单都在补充图谱,知识资产随业务增长而增厚。

正易龙在这条路径上能帮什么

正易龙的行业 AI 能力,核心不是替企业选一个更大的模型,而是把行业知识梳理、图谱构建、微调数据生成和推理侧检索串成一条可交付的链路。对于没有专职算法团队的中小企业,这意味着不必从零搭建,而是从一个具体场景切入,先把第一版跑通。虚拟工作室与数字人能力,则可以在知识层就绪后,把服务触点延伸到培训、导览和线上接待。

需要说明的是,工具只解决一半问题。另一半是业务方愿不愿意坐下来,把那些「只可意会」的判断规则讲清楚。这件事没有捷径,但一旦完成,沉淀下来的是可复用、可传承的资产。