一种基于业务检索的工程管理多模型AI问答助手的制作方法

本发明涉及人工智能自然语言处理与工程管理信息化，尤其涉及一种基于业务检索的工程管理多模型ai问答助手。

背景技术：

1、随着工程管理数字化、信息化建设的不断深入，工程项目的进度数据、人员组织架构、投资统计信息、管理制度文档等各类核心业务数据，分散存储于多个相互独立的业务系统中。工程管理人员在日常工作中，频繁需要通过自然语言交互的方式，快速查询项目实时业务数据、调取合规制度文档、自动生成标准化统计报表，对智能化、高精准、结果可溯源的ai问答服务需求日益迫切。

2、通用llm（large language model，大语言模型）虽具备优异的语义理解、上下文对话与文本生成能力，但其训练语料以通用公开数据为主，未融入工程管理领域专属业务数据、项目真实运行数据及企业内部制度文档，导致通用llm的输出结果与工程项目实际运营情况脱节，无法满足工程管理场景下问答结果真实可靠、数据精准、可溯源的严苛业务要求，行业内亟需一种适配工程管理多业务主题、多任务形态的专业化ai问答方案，弥补通用ai模型与工程业务场景适配性不足的短板。

3、当前工程管理领域的ai问答技术主要形成两类主流应用方案，分别适配不同的精度与落地需求。其中一类为传统规则匹配结合单模型的轻量化问答系统，依靠人工预设业务匹配规则与固定分支判断逻辑，搭配单一通用llm完成基础的用户意图识别与问答回复工作，仅能够实现简单的文本咨询与静态文档检索交互，整体架构轻量化但功能极为受限。另一类为高阶专业化工程问答系统，该方案依托工程领域知识图谱构建、复杂图谱推理、多策略混合检索、bm25文本重排等多重复杂技术，实现工程知识的结构化存储与高精度问答匹配，能够满足部分高精度领域问答场景，但整体技术架构复杂度大幅提升。

4、上述两类现有技术方案在工程实际落地与常态化应用过程中，均存在显著技术缺陷，难以同时兼顾实用性、场景适配性、可扩展性与轻量化落地需求，具体缺陷如下：

5、（1）问答结果真实性与精准度不足、无可溯源能力：传统问答系统与通用llm均未对接工程项目真实、实时的业务数据库，问答输出结果完全依赖模型通用知识库生成，与项目实际进度、投资额度、人员架构、施工状态等真实业务场景严重脱节，无法满足工程管理场景对问答结果精准可靠、全程可溯源的严苛工作要求。

6、（2）业务场景覆盖范围有限，适配性差：工程管理包含多种细分业务场景，涵盖项目基础信息、施工进度、投资统计、组织架构、规章制度等多元化业务类型，现有固定规则、单一模型的问答架构业务分支单一、适配能力薄弱，难以覆盖工程领域多元化、细分化的问答需求，场景适配覆盖面存在严重短板。

7、（3）系统耦合度高，业务扩展与运维成本高昂：传统问答系统的数据获取逻辑、业务判断逻辑与后端业务系统核心代码深度耦合，每当需要新增、修改工程业务问答主题时，均需要针对性改写后端核心代码、迭代程序版本，开发周期长、人工运维成本高，系统整体可扩展性极差。

8、（4）单一模型架构无法适配多形态问答任务，成本效果难以兼顾：工程管理问答包含结构化业务数据查询、非结构化制度文档检索、自动化统计报表生成、行业外部资料咨询等多种差异化任务形态，不同任务对模型推理能力、算力成本的需求差异显著，单一推理模型无法兼顾各类任务的生成效果与推理算力成本，适配灵活性严重不足。

9、（5）高阶问答方案落地适配性差、资源开销冗余，难以普惠轻量化工程场景：现有高阶专业化工程问答系统为追求通用检索精度，普遍搭载知识图谱推理、多策略混合检索、文本重排等全套复杂运算链路，即便用户仅需简单业务数据查询、常规制度问答等轻量化任务，系统仍需启动完整复杂链路运算，存在大量无效算力开销。同时该类系统部署依赖高端算力资源、复杂环境配置与长期运维迭代，部署门槛高、建设成本昂贵，无法适配中小型工程项目、轻量化工程管理平台的低成本、快部署、低运维的落地需求，技术方案普惠性与工程实用性严重不足。

技术实现思路

1、本发明提供一种基于业务检索的工程管理多模型ai问答助手，用以解决现有工程管理ai问答技术存在的问答真实性差、业务场景适配性弱、扩展运维成本高、多任务算力适配失衡，以及高阶技术方案落地成本高、行业普惠性不足的技术缺陷。

2、本发明提供了一种基于业务检索的工程管理多模型ai问答助手，包括前端交互层、后端ai服务层、多分支业务工作流层、数据接入层四层分层架构；

3、多分支业务工作流层采用轻量化可编排工作流承载核心问答逻辑，配置包含业务数据检索、知识库文档检索的多分支业务检索机制，业务检索作为问答推理的核心前置环节，并配置能够直接对接业务系统的api调用分支，同时引入大模型意图分类能力，依托内置多业务主题分支构建可全覆盖工程管理各类细分业务场景的多分支业务路由，且搭建智能匹配模型精度的任务适配模型推理机制，能够依据问答任务复杂度与输出形式选择性启用轻量化模型或高精度模型；新增或调整工程管理问答业务主题仅需扩展意图分类条件、配置业务主题分支及type业务类型参数映射关系；

4、数据接入层构建参数化统一数据获取机制，依托标准化type业务类型参数实现多类工程业务数据的统一调度与自适应适配，对接工程全量实时业务系统调取项目真实运行数据，供多分支业务检索机制执行业务数据检索；

5、所述基于业务检索的工程管理多模型ai问答助手，执行如下处理步骤：

6、前端交互层接收用户自然语言提问，留存多轮对话历史与会话上下文参数；

7、多分支业务工作流层调用classifier_irw1，结合会话上下文完成意图分类，将用户提问映射为标准化工程业务主题；

8、根据标准化工程业务主题触发多分支业务检索：若为业务数据查询任务，则联动数据接入层执行业务数据检索，获取项目真实运行业务数据；若为静态文档咨询任务，则调用知识库文档检索，召回匹配的文档片段；将业务检索得到的业务数据或者文档片段作为模型推理输入；

9、根据问答任务复杂度与输出形式，选择轻量化模型或者高精度模型执行推理运算；

10、各业务分支完成运算推理；

11、通过end_drqn7f对各分支运算结果统一聚合规整，生成标准化问答结果；

12、后端ai服务层通过sse流式协议，将标准化问答结果增量推送至前端交互层完成输出。

13、可选地，会话上下文参数包括session、token、time、url参数；工作流根据预设conditions，针对识别完成的标准化工程业务主题，自动精准匹配对应的业务处理分支或可插拔工具分支；仅调用匹配成功的主处理分支执行对应的分支处理逻辑，完成工程管理细分业务场景的路由分发，其余未匹配分支全程不触发、不执行运算。

14、可选地，多分支业务工作流层的业务分支全部通过template.yml定义，划分为相互独立、可按需启停的核心业务分支与可插拔工具分支；所述核心业务分支包括业务接口数据获取分支、参数化统一ai基础数据接口分支、报表模板生成分支、兜底直接回答分支；所述可插拔工具分支作为多分支业务检索机制的子分支，包括知识库检索工具分支、网络搜索工具分支；各分支协同执行方法为：系统根据用户问答意图与业务场景属性自动判别任务类型，单次问答任务仅能够匹配并触发唯一对应的主处理分支，其余所有分支不执行任何运算操作，实现轻量化可编排工作流。

15、可选地，参数化统一数据获取机制的完整执行步骤为：

16、多分支业务工作流层在完成用户问答意图分类后，通过内置variable将识别得到的标准化工程业务主题自动映射为标准化type业务类型参数；

17、数据接入层的aibasedataserviceimpl接收type业务类型参数，匹配系统预设的aibasetype，精准定位当前问答对应的工程业务维度与业务逻辑；

18、aibasedataserviceimpl根据匹配结果，调用各独立工程业务系统接口，定向聚合项目进度、投资、人员、组织、制度多源异构原始业务数据；

19、对聚合完成的多源业务数据进行字段适配与冗余信息剔除，形成标准化结构化业务数据。

20、可选地，字段适配与冗余信息剔除的完整执行步骤为：

21、aibasedataserviceimpl完成多源业务数据聚合后，调用对应dto数据传输对象的mapping对不同业务系统返回的差异化字段名称、字段格式、数据维度进行统一对齐、归一化处理，消除多源数据异构差异；

22、调用dto的clean批量剔除与当前问答任务无关的冗余字段、空值数据、无效日志信息，同时对项目涉密信息、人员隐私信息、核心造价数据进行脱敏处理；

23、对清洗后的结构化数据进行精简压缩，剔除无效语义内容，控制大模型推理上下文体量。

24、可选地，任务适配模型推理机制的完整适配步骤为：

25、工作流完成业务分支路由与实时业务数据获取、清洗处理后，自动识别当前问答任务的具体类型、业务复杂度与输出形态需求；

26、针对项目基础信息咨询、制度问询、简单数据查询轻量化问答任务，工作流通过modelconfig配置轻量化模型；

27、针对项目多维度投资统计、进度对比分析、复杂数据汇总、图文融合报表生成高复杂度任务，工作流通过modelconfig配置高精度模型，依托模型强推理能力完成数据整合、逻辑分析与标准化内容生成；

28、通过任务适配模型推理机制，实现不同问答场景下推理精度与算力成本的动态最优平衡。

29、可选地，报表模板生成分支的完整执行步骤为：

30、工作流触发多模态报表生成任务后，启动parameterextractor_sh2r精准解析预存工程报表模板图片的url、尺寸比例、版式规范、图文布局资源参数；

31、调取当前项目实时结构化业务统计数据，结合报表模板参数构建图文融合式模型推理上下文，完成业务数据与模板版式的匹配适配；

32、调用llm_noda生成分支，依托图文融合推理能力，自动完成数据填充、版式规整、内容校对、逻辑汇总；

33、自动生成符合工程规范的项目周报、月报、专项统计报表。

34、可选地，由后端ai服务层通过sse流式协议推送至前端交互层完成最终输出的完整执行步骤为：

35、多分支业务工作流层的end_drqn7f统一收集各核心业务分支、可插拔工具分支的模型推理结果、文本内容、结构化数据、图表参数及模型深度思考信息，对多分支输出内容进行去重、整合、逻辑规整与格式统一，输出完整规范的标准化问答结果；

36、后端ai服务层通过sse流式协议，将整合完成的标准化问答结果逐段、实时、增量推送至前端交互层；

37、前端交互层搭载专属对话页面与流式渲染sdk，实时接收流式输出片段并完成增量可视化渲染，支持文本、表格、图表动态展示及pdf报表导出。

38、可选地，作为多分支业务检索机制子分支的知识库检索工具分支的完整执行步骤为：

39、工作流识别用户提问为工程制度、规范文件、管理条例静态文档咨询类任务后，自动触发retrieval_zwk4工具分支；

40、对用户提问内容进行语义向量转换，在本地工程知识库中执行向量检索与topk文本召回以完成高维度语义匹配，筛选匹配度排名靠前的合规制度文档片段；

41、对召回的多条文档片段进行去重、筛选、优先级排序，剔除无效、低关联度内容，提取核心合规条款与标准内容；

42、将筛选后的高质量文档片段作为模型推理上下文，输入知识库专用分析模型，生成答复内容。

43、可选地，轻量化可编排工作流的迭代扩展完整执行步骤为：

44、当需要新增或调整工程管理问答业务主题时，仅需在template.yml中扩展大模型意图分类的语义识别条件，补充新增业务场景的语义识别规则与conditions；

45、配置新增业务对应的工作流处理分支，建立新增业务主题与标准化type业务类型参数的一一映射关系，补充aibasedataserviceimpl对应的轻量化业务处理逻辑；

46、通过配置层迭代即可完成业务场景拓展与功能升级，实现问答业务与后端业务系统的完全解耦。

47、本发明提供的一个或多个技术方案，至少具有如下技术效果或优点：

48、针对现有技术问答结果真实性与精准度不足、无可溯源能力的缺陷，本发明通过配置多分支业务检索机制，结合参数化统一数据获取机制以及可直接调用业务系统的api（application programming interface，应用程序接口）分支，对接工程全量实时业务系统，调取项目真实运行业务数据参与模型推理，能够规避通用llm依赖通用语料作答、输出内容与工程项目实际情况脱节的问题，有效提升问答结果的真实性、数据精准度与业务可溯源性，满足工程管理场景高可信、可核查的业务使用要求。

49、针对现有技术业务场景覆盖范围有限、适配性差的缺陷，本发明通过引入大模型意图分类能力，配合工作流内多业务主题分支实现多分支业务路由，能够同时适配结构化数据查询、非结构化文档检索、多模态报表生成、外部网络资料咨询等多种问答形式。其中，非结构化文档检索、外部网络资料咨询由工作流内可插拔的知识库检索工具分支、网络搜索工具分支实现，这两类可插拔工具分支仅作为工作流的可调用组件，不作为本发明的核心改进点。本发明通过多分支业务路由全面覆盖工程管理各类细分业务场景，有效提升问答助手的场景兼容能力与通用实用性。

50、针对现有技术系统耦合度高、业务扩展与运维成本高昂的缺陷，本发明通过构建参数化统一数据获取机制，依托标准化type业务类型参数实现多类工程业务数据的统一调度与自适应适配，新增或调整工程管理问答业务主题仅需扩展意图分类条件、配置对应业务主题分支及type业务类型参数映射关系，无需改动后端核心业务代码，能够实现问答功能与业务系统的完全解耦，有效降低功能迭代、场景扩展与日常运维的人力与时间成本。

51、针对现有技术单一模型架构无法适配多形态问答任务、成本效果难以兼顾的缺陷，本发明通过搭建任务适配模型推理机制，依据问答任务的复杂程度与输出形式智能匹配对应精度的模型，对简单咨询任务启用轻量化模型、对复杂统计及多模态生成任务启用高精度模型，能够在保证各类问答输出质量稳定可靠的前提下，有效降低整体推理算力消耗，实现问答效果与运算成本的动态最优平衡。

52、针对现有技术高阶问答方案落地适配性差、资源开销冗余、难以普惠轻量化工程场景的缺陷，本发明摒弃知识图谱推理、混合检索、文本重排等高冗余复杂运算链路，采用轻量化可编排工作流承载核心问答逻辑，依据实际任务类型按需调用对应处理分支，能够避免无效算力消耗，大幅降低系统运算开销与部署运维难度，可适配中小型工程项目与轻量化工程管理平台的低成本、快速部署、低运维的落地需求，有效提升技术方案的工程普惠性与场景适配范围。