1. 项目背景与需求解析
中国铁塔作为全球最大的通信基础设施服务商，面临着海量内部文档管理的严峻挑战。在日常运营中，员工需要频繁查阅超过11,200份各类文档，包括系统操作手册、监控终端说明、规章制度等。传统的关键词检索方式存在三大痛点：
-
检索效率低下：员工平均需要翻阅5-7份文档才能找到准确信息，特别是在处理跨部门业务流程时，检索时间可能长达30分钟以上。
-
知识碎片化严重：相关知识点分散在不同文档中，缺乏有效的关联机制。例如"基站断电应急处理"涉及电力、网络、安全等多个系统的操作规范。
-
专业理解门槛高：通信行业的专业术语和复杂流程图（如PTN网络拓扑图）对非技术人员理解困难，新人培训周期长达3-6个月。
典型案例：某省分公司在处理铁塔蓄电池更换流程时，因未能准确关联《动力环境监控规范》与《蓄电池维护手册》，导致监控系统告警误判，造成不必要的维护工单。
2. 技术架构设计思路
2.1 核心架构选型
团队采用"双引擎驱动"的设计理念，将书生大模型与自研擎天平台深度整合：
code复制[原始文档] → [知识抽取] → {
向量引擎：ChromaDB（处理非结构化文本）
图谱引擎：Neo4j（存储实体关系）
} → [混合检索] → InternLM-20B → [智能应答]
这种架构的优势在于：
- ChromaDB 擅长处理海量文本的语义相似度匹配（实测QPS>5000）
- Neo4j 可直观表达"审批流程→责任人→文档依据"等业务逻辑链
- InternLM-20B 在通信专业术语理解上准确率达92.3%（内部测试集）
2.2 关键技术突破点
2.2.1 多模态流程图解析
传统NLP模型处理技术流程图时存在明显短板。团队基于InternVL开发的流程图解析模块，通过三级优化策略实现突破：
- 基础微调：使用2.6万张通用流程图（含UML、BPMN等）进行预训练
- 领域适配：针对通信网络拓扑图特有的"BBU-RRU-天线"连接关系专项优化
- 细节增强：对箭头类型（实线/虚线）、注释框位置等细节特征强化学习
实测显示，该模块对PTN网络图的元素识别准确率从68%提升至89%，关系抽取F1值达到0.87。
2.2.2 动态对齐机制
针对流程图常见的"图形-文本"错位问题（如标注文字偏离连接线），创新性地引入动态注意力机制：
python复制class DynamicAlignment(nn.Module):
def __init__(self, d_model):
super().__init__()
self.visual_proj = nn.Linear(d_model, d_model)
self.text_proj = nn.Linear(d_model, d_model)
self.align_gate = nn.Sequential(
nn.Linear(2*d_model, 1),
nn.Sigmoid())
def forward(self, visual_feat, text_feat):
gate = self.align_gate(torch.cat([
self.visual_proj(visual_feat),
self.text_proj(text_feat)
], dim=-1))
return gate * visual_feat + (1-gate) * text_feat
该模块通过可学习的门控机制，自动调节视觉特征与文本特征的融合权重，在铁塔动力系统图中将对齐准确率提升23%。
3. 系统实现关键细节
3.1 知识构建流水线
文档处理采用五阶段标准化流程：
- 预处理：PDF/PPT转文本（Apache Tika）+ 表格结构识别（PP-Structure）
- 分块策略：
- 常规文档：滑动窗口（512 tokens，重叠率15%）
- 技术标准：按章节切分（保留"4.2.3"级编号）
- 流程图：整体提取+元素分解
- 向量化：采用bge-large-zh-v1.5模型，针对通信术语扩展词表
- 图谱构建：
- 实体识别：BiLSTM-CRF模型（F1=0.91）
- 关系抽取：基于InternLM-7B的prompt工程
- 质量校验：RAGAS评估框架（检索相关性、答案忠实度等6项指标）
实践发现：技术标准类文档采用"术语定义→参数表格→示意图"的三段式分块策略，能使检索准确率提升40%以上。
3.2 混合检索策略
系统实现"三阶段漏斗式检索"：
| 阶段 | 技术方案 | 耗时 | 适用场景 |
|---|---|---|---|
| 粗筛 | BM25+关键词扩展 | <50ms | 简单事实类问题 |
| 精筛 | 向量相似度（TOP50） | ~200ms | 概念解释、流程查询 |
| 精修 | 图谱路径推理 | 300-500ms | 跨文档复杂问题 |
特别在应急预案查询场景中，通过组合"故障现象→处理步骤→责任部门"的图谱路径，使准确率从72%提升至94%。
4. 典型问题解决方案
4.1 专业术语歧义
通信行业存在大量同形异义词，如"合路"在不同场景指代：
- 射频合路（多频段信号合并）
- 电源合路（多路供电并联）
- 传输合路（链路聚合）
解决方案：
- 构建领域同义词库（含5.7万条术语）
- 在向量化时加入上下文特征：
python复制def enhance_embedding(text): term = detect_technical_term(text) if term in SPECIAL_TERMS: base_vec = model.encode(text) context_vec = model.encode(term['definition']) return 0.6*base_vec + 0.4*context_vec return model.encode(text)
4.2 流程版本冲突
实际业务中存在大量并行流程版本（如"5G基站建设流程"有2019、2021、2023三个版本）。系统通过：
- 文档元数据提取（发布日期、适用区域）
- 用户画像分析（所属部门、岗位）
- 动态版本路由算法
实现准确率98.2%的版本匹配，避免因参考过期流程导致的误操作。
5. 实际应用效果
系统上线后关键指标对比：
| 指标 | 传统检索 | 智能系统 | 提升幅度 |
|---|---|---|---|
| 平均响应时间 | 4.2分钟 | 23秒 | 91%↓ |
| 首答准确率 | 61% | 89% | 46%↑ |
| 跨文档问题解决率 | 38% | 82% | 116%↑ |
| 培训周期 | 6个月 | 2个月 | 67%↓ |
典型应用场景：
- 应急故障处理：将"动力系统告警→处理方案"的关联时间从15分钟缩短至2分钟
- 工程验收：自动生成包含所有引用规范的检查清单（原需手动整理4-6小时）
- 合同审批：实时提示关联的《采购管理办法》条款，减少合规风险
6. 持续优化方向
当前系统在以下方面仍需改进：
- 长文档理解：超过50页的技术规范书，关键信息提取准确率仍有10-15%误差
- 多模态生成：自动将文字流程转换为Visio图的功能完成度仅60%
- 实时更新：知识库周级更新延迟，急需建立变更自动捕获机制
团队正在测试的解决方案包括：
- 采用InternLM2-200B处理长上下文（实测128k tokens）
- 开发基于InternVL的图文双向生成模块
- 与OA系统深度集成，实现文档变更事件驱动更新
这个项目给我的深刻启示是：垂直行业的大模型应用必须深耕领域know-how。我们在通信电源系统流程图解析上的突破，正是源于对"整流模块-蓄电池组-负载"等专业概念的深度理解。未来计划将知识图谱的边关系从当前的27类扩展到50+类，进一步细化"故障现象-根因-解决方案"的关联网络。