每个工厂都有这么一两位老师傅：设备一响，他就知道是哪个轴承；别人修三天的故障，他半小时搞定。问题是这些经验只存在他脑子里。老师傅退休、离职，等于工厂丢了一套没有备份的核心系统。设备维修知识库要解决的就是这件事。
一、知识从哪来
维修知识主要有四个来源，建设时按这个顺序做最省力：
- 存量维修单：把历史维修记录结构化——设备、故障现象、原因、处理措施、用时、备件。哪怕以前记得很粗糙，也是最好的种子数据；
- 设备手册与图纸：厂家的故障代码表、维护手册直接入库，这是最权威的部分；
- 老师傅口述：安排几次结构化访谈，按"现象→排查路径→结论"的模板整理，一个下午能采出几十条经验；
- 新增维修案例：每次维修完成后，维修工花两分钟补一条记录，这是知识库持续增长的关键。
二、怎么组织才有用
知识库最常见的死法是"存了一堆文档，查的时候找不到"。关键是按检索场景组织，而不是按文档类型：以"设备+故障现象"为入口，一条案例讲清楚现象、可能原因排序、排查步骤、最终措施。图片、短视频比大段文字好用——拍一段异响的声音、一张磨损部位的照片，胜过三百字描述。
三、让一线愿意用是成败关键
经验告诉我们，强推填表式知识库必死。要降低两个门槛：录入门槛——支持语音描述、拍照上传，系统自动整理成结构化条目；查询门槛——不用学分类目录，直接用大白话问"3号注塑机温度升不上去怎么回事"，系统把相关案例和排查建议列出来。
四、大模型带来的变化
传统知识库是"人找知识"，大模型让它变成"知识找人"。AI 设备运维智能体在故障发生时，会基于实时报警数据结合知识库做故障推理，主动推送可能原因和维修指导；维修完成后，处理过程又沉淀回知识库。系统用的时间越长，越懂你厂里的设备——这是知识库从"文档仓库"进化成"数字老师傅"的关键一跃。
乾力智能的 AI 设备运维智能体提供可自主维护的知识库框架，现场技术人员无需编程即可持续沉淀本厂故障案例。如果你也在为经验传承发愁，欢迎联系我们交流。
