在全球化贸易和物流业快速发展的背景下，港口作为国际贸易的重要节点，面对复杂的工作环境、高昂的运营成本和严格的环境控制要求，传统设备运维管理模式逐渐显现出局限性，无法满足现代化管理需求。当前，人工智能大模型技术在自然语言处理、多模态数据分析和决策支持方面的优势日益显现。该技术通过整合多源数据，构建智能知识库，可提供精准的故障诊断、实时的维修建议和动态的预防性维护方案。大模型的引入正在为港口设备运维管理注入全新活力，推动港口设备运维向智能化、自动化迈进。

1.1　现状描述

目前，港口设备运维主要依赖人工经验，技术手段相对落后。设备操作员通常通过对讲机通知维修人员，维修人员须到现场检查并制定方案，平均故障解决时间较长且效率较低。此外，设备运维涉及多学科知识，但这些知识分散在图纸、手册等非结构化文件中，传统数据库难以高效管理。

某港口5家试点码头设备运维现状数据统计见表1。这些数据反映出目前港口设备运维场景的诸多问题。针对这些问题，亟须采取措施提升故障处理效率，以确保设备的稳定运行，保障港口业务的顺利进行。

1.2　问题归纳

• 应急响应能力不足，故障诊断过度依赖个人经验。在港口设备运维中，突发事件频发，诊断常依赖经验丰富的技术人员。当技术专家缺位时，应急响应滞后，难以迅速应对，容易导致生产和运营损失。

• 信息化水平低，专业知识管理欠缺。港口设备运维知识分散且未系统化管理，阻碍知识的积累和共享。面对种类繁多的信息（如表格、图纸和参数等），传统数据库更新慢、效率低，容易出现信息孤岛现象，降低维护效率并增加运营风险。

• 专业壁垒高，人才培养周期长。港口设备运维专业要求高，人才稀缺。新人才培养耗时，无法快速补充人力，影响运维连续性和效率。

针对上述问题，大模型技术能够从故障诊断、知识管理和人才培训等3个方面提供有效解决方案。

2.1　总体方案

尽管大模型技术在通用知识领域表现出色，但在港口设备运维等实际业务应用中，其还存在一定局限性，主要体现在以下3个方面：

• 知识局限性。大模型的知识主要来源于公开网络数据，无法获取实时、非公开或离线数据，导致在港口设备运维等特定领域知识储备不足。

• 幻觉问题。大模型基于数学概率生成输出，容易产生幻觉。这种幻觉问题难以识别，可能导致港口设备运维中的错误诊断或建议，引发运营中断和安全风险。

• 数据安全性。企业对数据安全高度敏感，不愿将私有数据上传至第三方平台，导致依赖通用大模型的应用方案需在数据安全和效果之间做出权衡。港口设备运维涉及大量敏感数据，数据安全问题尤为突出。

港口设备运维助手智能体基于大模型技术，结合检索增强生成（RAG）、模型对齐（Model Alignment）和提示词工程（Prompt Engineering）等技术，有效解决以上问题，实现设备运维流程的全链条智能化升级。系统架构由数据采集、存储、处理、分析和应用服务等5层构成，保障数据流与功能模块的有机融合。

2.2　实施流程

港口设备运维助手智能体通过检索获取相关的设备运维垂直领域知识并将其融入提示词，使大模型能够参考相应的知识从而给出合理回答。因此，完整的流程主要包括以下2个阶段：

• 数据准备阶段。数据提取→文本分割→向量化（Embedding）→数据入库。

• 应用阶段。用户提问→数据检索（召回）→注入提示词→智能体生成答案。

2.2.1　数据准备阶段

数据准备阶段主要是将私域数据向量化后构建索引并存入数据库的过程。

2.2.1.1　数据提取

• 数据加载。主要包括多格式数据加载、不同数据源获取等，根据数据自身情况，将数据处理为同一个范式。例如，从设备传感器、日志、操作手册、历史工单等多源渠道收集数据，确保所有数据格式一致，便于后续处理。

• 数据处理。主要包括数据过滤、压缩、格式化等，确保数据的质量和一致性。例如去除无效的日志条目、压缩冗余的文本片段、格式化设备参数等。

• 元数据获取。提取数据中的关键信息，例如关键词、标题、时间等，这些信息有助于后续的数据检索和分析。

2.2.1.2　文本分割

文本分割主要考虑2个因素：一是向量化模型的令牌（Token）限制情况；二是语义完整性对整体的检索效果的影响。一些常见的文本分割方式如下：

• 句分割。以“句”的粒度进行切分，保留1个句子的完整语义。常见切分符包括句号、感叹号、问号、换行符等。

• 固定长度分割。根据向量化模型的令牌长度限制，将文本分割为固定长度。例如，将设备日志中的长段文本按照256个令牌进行分割，确保每个片段的长度适中。

2.2.1.3　向量化

向量化是一个将文本数据转化为向量矩阵的过程，该过程会直接影响到后续检索的效果。常见向量化模型见表2，这些向量化模型能满足大部分需求，对于特殊业务场景或者想进一步优化效果的情况，则可以微调或直接训练适合自己场景的向量化模型。

2.2.1.4　数据入库

完成数据向量化后构建索引，并写入数据库的过程可以概述为数据入库过程，适用于RAG场景的数据库包括FAISS、ES、Milvus等。一般可以根据业务场景、硬件、性能需求等因素综合考虑，选择合适的数据库。例如，使用Milvus数据库来存储设备运行参数的向量化数据，以便在故障诊断时快速检索相关记录。

2.2.2　应用阶段

在应用阶段，根据用户的提问，通过检索方法，召回与提问相关的知识，并融入提示词；大模型参考当前提问和相关知识，生成相应的答案。关键环节主要包括数据检索、注入提示词等。

2.2.2.1　数据检索

• 相似性检索。即计算查询向量与所有存储向量的相似性得分，返回得分高的记录。例如，当用户询问“起重机电机过热的原因”时，系统通过计算用户查询向量与设备日志和历史故障记录的向量相似性，召回最相关的记录。

• 全文检索。全文检索是一种比较经典的检索方式，在数据存入时，通过关键词构建倒排索引；在检索时，通过关键词进行全文检索，找到对应的记录。根据检索效果，一般可以选择多种检索方式融合，提升召回率。例如，结合关键词检索和相似性检索，提高故障诊断的准确性。

2.2.2.2　注入提示词和LLM生成答案

提示词作为大模型的直接输入，是影响模型输出准确率的关键因素之一。在RAG场景中，提示词一般包括任务描述、背景知识、任务指令等。

提示词的设计没有语法要求，比较依赖于个人经验，在实际应用过程中，往往需要根据大模型的实际输出进行有针对性的提示词调优。例如，如果大模型生成的答案不够具体，可以在提示词中加入更多细节，如“请列出至少3个可能的原因”。

通过以上实施流程，基于大模型的港口设备运维助手智能体能够有效地整合多源数据，提供精准的故障诊断、实时的维修建议和动态的预防性维护方案，从而提升设备运维的效率和准确性。港口设备运维助手智能体整体实施流程见图1。

2.3　核心技术

2.3.1　大模型技术

大模型技术以大规模语料库为基础，通过深度学习实现复杂任务的理解和生成能力。在港口设备运维场景中，大模型不仅能够快速诊断设备故障，还能生成优化的维修方案，帮助操作员和维修人员高效协作。

2.3.2  RAG 技术

RAG技术通过结合知识检索和生成模型，解决大模型在需要精确回答时的知识盲点问题。例如，当设备发生故障时，RAG技术能够从知识库中检索相关维修记录，再结合模型生成故障分析和解决建议，实现精准问答。RAG技术发展迅速，实际应用中会加入很多优化技术来提升RAG效果。港口设备运维助手智能体实施过程中，通过组入各种优化技术不断提升效果。RAG优化技术在设备运维中的应用效果见表3。

2.3.3　模型对齐

模型对齐技术通过监督微调与人类反馈，优化模型行为，确保大模型在港口场景中的回答内容符合安全和合规标准。例如，在高风险作业场景中，优先推荐符合安全规范的操作方案，降低作业风险。

2.3.4　提示词工程

提示词工程技术通过设计有效的指令，引导模型提供结构化或专业化的知识输出。在设备运维场景中，良好的提示词设计可确保大模型生成详细的故障处理步骤及所需备件信息，引导模型生成特定格式或内容的输出。例如，原始提示词为“请生成故障解决报告”，优化后的提示词为“请生成故障解决报告，包括问题描述、诊断步骤、建议操作的结构化报告”。

2.4　系统架构

基于大模型的运维助手智能体系统架构分为数据采集层、数据存储层、数据处理层、智能分析层和应用服务层等5个部分。

2.4.1　数据采集层

从设备传感器、日志等多种渠道采集数据，主要包括设备运行状态、故障日志、维修记录等多源异构数据。数据采集方式包括：

• 传感器数据采集。利用各种传感器实时采集设备运行参数，例如机器的电压、电流、振动等。

• 日志数据采集。收集设备运行日志和操作记录，例如设备启动、停止、故障等信息。

• 语料数据采集。收集设备运维操作手册、历史工单、行业术语解释、报告内容等语料数据。

2.4.2　数据存储层

对采集的数据进行存储和管理，确保数据的安全性和可靠性。数据存储方式包括：

• 分布式数据库。用于存储结构化数据，例如设备参数、运行记录、文本向量等。

• 对象存储。用于存储非结构化数据，例如视频监控数据、文档资料等。

• 云存储。利用云服务平台进行数据存储，提高数据存储的弹性和扩展性。

2.4.3　数据处理层

对采集的数据进行清洗、整合、预处理，构建结构化的知识库，为智能分析提供支持。数据处理流程主要包括：

• 数据清洗。去除数据中的噪声和异常值，确保数据质量。

• 数据整合。将来自不同来源的数据进行整合，形成统一的数据视图。

• 数据预处理。对数据进行格式转换、特征提取等预处理操作，方便后续分析。

• 知识库构建。利用自然语言处理技术，从非结构化数据中提取关键知识，构建结构化的知识库（关键词库、文本片段向量库等）。

2.4.4　智能分析层

利用大模型技术实现故障诊断、预测性维护等功能。智能分析层主要包括：

• 故障诊断模块。利用大模型技术分析设备运行数据，识别设备故障类型，并提供故障诊断建议。

• 预测性维护模块。利用大模型技术分析设备状态和历史维保数据，预测设备故障发生的可能性，并提供预防性维护建议。

2.4.5　应用服务层

支持多渠道接入和使用，涵盖PC、移动应用（App）、Web页面等，以便员工能够随时随地进行查询和使用，进而提高工作的灵活性和信息获取的效率。

港口设备运维助手智能体数据流程见图2。

基于大模型的港口设备运维助手智能体系统在设计中兼顾全面性、灵活性和实用性，充分满足了现代港口设备运维的多样化需求。其特点如下：

• 全生命周期管理。覆盖设备运行、维护、预警、故障处理等全链条，支持动态知识更新。

• 多场景适配。可应用于日常运维、紧急抢修和预防性维护场景。

• 高效故障响应。通过结合历史数据和实时分析，快速提供标准化解决方案。

• 准确性。利用历史数据和实时工况，预测设备维护的最佳时机，减少非计划停机时间。

• 多语言支持。实现跨语言的信息无障碍传递，提升国际合作效率。

• 培训与知识传承。为新员工提供定制化的学习材料，保留并传承资深工程师的知识经验。

• 数据流和控制流分离。灵活应对不同任务需求。

这些特点在实际运用中展现显著优势，不仅优化设备运维流程，还为港口的智能化发展提供技术支持。

港口设备运维助手智能体系统已覆盖试点码头90%的港口核心设备，诊断准确率达92%以上，设备故障平均解决时间降低10%。此外，用户反馈显示，系统显著降低维修人员的工作强度，同时提升团队协作效率和数据管理水平。设备运维原流程和大模型赋能设备运维后的工作处理流程对比见图3。

大模型技术给港口设备运维带来革命性的变化，让一线业务人员能够以更智能、更高效的方式应对各种挑战。后续，将进一步拓展用户群体，持续优化算法表现，并将设备运维助手智能体进一步对接到现有的生产管理类系统中，将运维专家的知识和解决问题的策略转化为大模型的能力，从而增强智能体系统的业务处理水平。随着技术的不断发展和应用，大模型技术将在港口设备运维领域发挥更大的作用，为港口数字化转型和高质量发展注入强劲动力。