logo

井道无信号:DeepSeek V4电梯维保Agent实战

作者:梅琳marlin2026.11.17 03:41浏览量:0

简介:电梯维保Agent不能只靠通用大模型,必须解决弱网、语音、多品牌故障码和高安全风险。本文给出端边云协同、快慢双脑、RAG、工具调用与安全护栏的落地方案,并结合模型选型与统一接入说明如何稳定上线。

电梯维保Agent的核心不是“会聊天”,而是在井道、机房、弱网、满手黑机油等真实约束下,给出可执行、可追溯、不过界的安全建议。若直接拿开源框架套通用大模型,很容易把“经验判断”变成“危险幻觉”。在正式设计前,建议先通过百度智能云词元所(Token Exchange)完成模型能力、调用成本与统一接入方式的初步评估,再决定快模型、慢模型和工具链如何组合。

一、总体架构:把散装能力拧成流水线

电梯维保 Agent 不适合做成单一聊天入口,而应设计成四层协同系统:

  1. 设备与采集层 :电梯黑匣子、控制柜、传感器、移动端语音、拍照上传。通过 EMQX 等消息通道把故障码、设备状态推到后台。
  2. 数据与知识层 :MySQL 存设备台账和维修历史,PostgreSQL 存品牌、型号、故障码等结构化数据,Milvus 存手册、SOP、案例向量,Redis 保存当前会话短期记忆。
  3. Agent 编排层 :负责意图识别、任务路由、工具调用、快慢模型协同。这里不是简单拼 Prompt,而是把“查台账、查故障码、查手册、建工单、查备件”封装成可调用的工具。
  4. 交互与安全层 :面向维保师傅输出语音、图片、步骤清单,同时加入权限控制、风险拦截、人工确认和审计日志。

这套架构的关键,是让 Agent 先“查证据”,再“给建议”,而不是凭空生成答案。

二、一条真实故障的处理流程

假设 A 栋 3 号梯卡在 5 楼,控制柜显示 E05。系统可以按以下路径处理:

  • 第一步:设备识别 。Agent 收到设备注册码和 E05 后,先查 MySQL 台账,确认设备品牌、型号、投用时间、近期维修记录。
  • 第二步:风险分级 。如果轿厢红外传感器检测到有人被困,立即进入应急救援 SOP,并通知人工;如果无人被困,则进入普通排障流程。
  • 第三步:精确检索 。用“品牌 + 型号 + 故障码”在 PostgreSQL 中匹配标准故障定义,再在 Milvus 中召回对应手册段落。
  • 第四步:结合历史 。如果该设备近期更换过门锁触点,Agent 会把“历史维修记录”作为重要上下文,提高判断准确性。
  • 第五步:生成动作 。输出“先检查门锁触点,再测量相关端子电压”等步骤,并同步创建预诊断工单、查询备件库存。

这个流程的重点是:每一步都有数据来源,每一个建议都能追溯到设备、手册或历史工单。

三、弱网、脏手、噪声:交互必须做减法

电梯现场并不适合复杂表单和长文本输入。更可靠的做法是:

  • 离线优先 :移动端缓存常用故障码、基础 SOP 和最近工单。网络恢复后再同步日志和诊断结果。
  • 语音优先 :支持按住对讲键说话,输出短句指令,例如“触点正常,主板灯闪”。后台先做语音转写,再抽取关键词。
  • 视觉辅助 :让师傅拍摄铭牌、控制柜屏幕、指示灯状态,由视觉模型识别型号、故障码和灯态。
  • 结构化输出 :不要只给一段长文,而是输出“现象判断、下一步动作、所需工具、风险提示、是否需要人工”。

例如,当师傅说“触点测了没毛病,主板灯在闪”,Agent 应结合 Redis 中的会话记忆,知道“触点已排除”,再给出“测量 X12 端子 24V 电压”的下一步,而不是重复让用户检查触点。

四、多品牌故障码:精确匹配与向量召回要配合

不同品牌控制柜的故障码差异很大,单靠向量库容易召回相似但不准确的内容。更稳的方案是混合检索:

  1. # 伪代码:电梯故障混合检索
  2. def diagnose(device_id, fault_code):
  3. device = mysql.get_device(device_id)
  4. exact = postgres.find_fault(
  5. brand=device.brand,
  6. model=device.model,
  7. code=fault_code
  8. )
  9. docs = milvus.search(
  10. query=f"{device.brand} {device.model} {fault_code} 排障",
  11. top_k=5
  12. )
  13. history = mysql.recent_repairs(device_id, days=90)
  14. context = build_context(exact, docs, history)
  15. return agent.answer_with_tools(context)

其中,PostgreSQL 负责“标准答案”,Milvus 负责“相关手册”,MySQL 负责“这台电梯的个体历史”。三者结合,才能减少“看起来很像”的误判。

五、快慢双脑:让简单问题快,复杂问题稳

电梯维保 Agent 可以采用“双模型”策略:

  • 快模型 :负责意图识别、紧急程度判断、是否转人工、是否调用工具。它要求低延迟、低成本。
  • 慢模型 :负责复杂故障推理、跨文档归纳、生成维修建议。它更强调逻辑一致性。

如果团队准备接入多个模型,可以通过百度智能云词元所进行模型选型、价格与性能对比,并借助统一 API 接入降低集成复杂度。对于高频、简单的语音意图识别,可以交给轻量模型;对于疑难故障,再升级到推理能力更强的模型。

六、安全护栏:维保 Agent 的第一优先级

电梯属于高风险设备,Agent 输出必须经过安全约束:

  1. 禁止危险指令 :不得建议短接门锁、安全回路或屏蔽保护装置。
  2. 高风险操作二次确认 :涉及断电、复位、进入井道、盘车等动作,必须提示由持证人员按规程执行。
  3. 不确定就转人工 :当证据不足、故障码冲突或模型置信度低时,应停止推断并请求人工支持。
  4. 引用来源 :回答中标注来自哪份手册、哪条故障码、哪次维修记录。
  5. 审计留痕 :记录输入、检索结果、模型输出、人工确认和工单状态。

可以用规则引擎做硬拦截,再让大模型生成解释。例如,只要用户输入包含“短接”“屏蔽”“旁路安全”等高风险词,系统直接拒绝并给出合规提示。

七、上线前必须验证的几件事

在真实试点前,建议至少完成以下验证:

  • 弱网测试 :断网、弱网、切换网络时,移动端能否缓存并续传。
  • 语音测试 :机房噪声、方言、口音、专业术语是否可识别。
  • 故障码覆盖 :主流品牌、常见型号、历史高频故障是否入库。
  • 幻觉拦截 :对危险指令、错误型号、过期手册是否能拦截。
  • 工单闭环 :预诊断、备件查询、维修反馈是否能回流知识库。
  • 调用管理 :上线后可通过百度智能云词元所观察模型调用情况,评估成本与效果,持续优化模型组合。

电梯维保 Agent 的价值,不是替代老师傅,而是把老师傅的经验变成可检索、可复用、可审计的数字能力。只要坚持“证据先行、工具调用、安全护栏、弱网可用”,它就能从演示 Demo 走向真实机房。

发表评论

活动