《JOURNAL OF MANUFACTURING SYSTEMS》：SEIT-Agent: An experience memory enhanced inspection and testing agent for high-safety special equipment with risk-aware LLM evaluation
编辑推荐：
•提出了一种基于大型语言模型（LLM）的智能体框架，用于高安全特种设备（HSSE）的检测与检验。•经验记忆通过复用历史案例，提高了工具选择的一致性。•风险感知评估策略利用专家标准量化了语义准确性。•混合向量-关键词RAG（检索增强生成）提升了领域特定知识的检索能力。引言高安全
- •
提出了一种基于大型语言模型（LLM）的智能体框架，用于高安全特种设备（HSSE）的检测与检验。
- •
经验记忆通过复用历史案例，提高了工具选择的一致性。
- •
风险感知评估策略利用专家标准量化了语义准确性。
- •
混合向量-关键词RAG（检索增强生成）提升了领域特定知识的检索能力。
引言
高安全特种设备（HSSE）在能源、交通和制造等广泛的工业领域发挥着至关重要的作用 [1], [2]。HSSE通常指关键安全设备，这些设备往往在恶劣条件下运行（如压力容器、压力管道、起重机械和压缩机）[3], [4]。由于其高风险特性，HSSE的任何故障或损坏都可能导致灾难性事故，带来严重的社会经济后果。为确保HSSE的可靠性并保护公共安全，行业高度重视严格的检测与检验操作 [5], [6]。
目前，HSSE的检测与检验操作主要通过人工流程完成 [7], [8]，如图1所示。该流程通常从委托工厂提供待检测设备开始。检测机构随后收集设备的全面信息，包括其运行环境、当前状态和检测历史。基于这些信息，进行损伤模式分析，并编制评估报告，涵盖风险分析、损伤机理、检测策略和预防措施 [9]。依据该报告，操作人员执行现场检测与检验。完成后，所收集的数据与国家和行业标准进行系统对比，以评定设备质量等级。最终编制检测报告并反馈给委托工厂，其中载明评估结果和必要的维护措施。尽管流程组织完善，但整个过程仍然耗时巨大且容易出错。首先，评估报告的编制需要人工检索、解读和综合分散在众多文档中的领域知识，使得相关信息难以高效获取。其次，质量等级评定必须遵守严格的技术标准，目前需要工作人员根据检测方法、缺陷特征和设备类型，人工选择并应用正确的等级评定规则。这些问题共同反映了HSSE检测与检验中的两个主要挑战：(1) 分散的领域知识可及性；以及(2) 复杂的规则判定与应用，凸显了对自动化解决方案的迫切需求。
现有的工业解决方案已尝试自动化检测与检验工作流程的部分环节，其中规则驱动或类专家系统的方法与合规质量等级评定最为相关 [10], [11]。这些方法在某些结构化程度高且固定的检测场景中效果良好，其中适用的标准、检测方法和输入格式均已预先定义。然而，实际的HSSE检测涉及多种标准、检测方法和依赖上下文的规则。在这种情况下，这些方法通常要求用户手动选择当前检测任务适用的标准和等级评定规则，并以预定义的结构化格式输入检测数据 [12]。这是因为它们缺乏自然语言任务理解和自主工具选择能力 [13]。这些局限性凸显了对更灵活的AI系统的需求，这些系统能够利用自然语言理解来解析检测任务、检索相关知识并协调规则的应用。
近年来LLM和RAG的进展为解决这些局限性提供了新的机遇。LLM能够整合分散的技术知识并生成专业的分析内容 [14], [15], [16]，而RAG则将此类生成基于外部领域文档，从而提升领域针对性 [17], [18]。这些能力在损伤模式分析中尤为有用。然而，工业应用中现有的LLM+RAG研究仍侧重于信息检索和问答 [19]。它们不足以支持HSSE检测与检验，因为它们无法支持依赖上下文检测规则的自主规划与执行，而这些规则对于设备质量等级评定至关重要。基于LLM的智能体进一步提供了一种可能的解决方案，通过将LLM从被动生成器扩展为具有指令理解、任务分解、规划和工具调用能力的任务导向系统 [19], [20], [21]。这些能力与设备质量等级评定高度相关。然而，现有的智能体框架大多为通用型或针对其他工业应用设计，通常缺乏HSSE特定的知识锚定和确定性的标准规则执行机制。
为应对这些挑战，本文提出了特种设备检测与检验智能体（SEIT-Agent），一个专为HSSE领域设计的AI智能体框架。该智能体由四个模块组成：基于LLM的规划器、质量等级评定工具库、经验记忆池和领域知识库。这一集成架构直接支持自主的设备质量等级评定和损伤模式分析。具体而言，来自各种标准的等级评定规则被编程封装为工具，可被LLM识别和调用，从而在符合适用标准的前提下，高效地将检测数据转化为等级评定结果。为增强重复性质量等级评定任务的一致性，引入经验记忆池以结构化三元组形式存储成功的任务执行轨迹，并提供相关三元组作为上下文示例，从而减少相似案例中工具选择的差异性。知识库整合了损伤机理和风险分析信息，LLM通过混合向量-关键词RAG对其进行访问。最后，设计了一种专家指导的风险感知LLM评估策略，以提供对语义一致性和技术完整性的实用度量，重点强调与安全相关的内容。本文的主要贡献总结如下：
(1) 为推动现有基于LLM的方法从单纯的信息检索迈向依赖上下文规则的确定性执行，服务于HSSE检测与检验，本文提出了SEIT-Agent，集成了专用工具库和领域知识库，以支持自主的设备质量等级评定和损伤模式分析。
(2) 设计了一个经验记忆池，以改善重复性质量等级评定任务的确定性和准确性。该模块以结构化三元组形式存储历史任务执行轨迹，并有选择性地提供相关三元组作为上下文示例以指导后续规划。
(3) 我们提出了一种针对HSSE分析响应的风险感知LLM评估策略，该策略区分关键点和支撑性的专家定义要点，并应用关键点门控机制，使评估更符合安全关键工业评估的非补偿性本质。
本文的其余部分组织如下。第2节回顾相关工作。第3节介绍所提出的SEIT-Agent框架。第4节报告实验评估结果，第5节总结全文并概述未来工作。
章节摘要
用于工业知识访问的RAG
检索增强生成（RAG）已成为一种重要的范式，用于增强LLM的外部领域知识。与仅依赖LLM中嵌入的参数化知识不同，RAG从外部知识源检索与任务相关的信息，并将其作为生成的上下文证据 [17], [18]。近年来，基于LLM+RAG的方法在制造和工业管理场景中得到了越来越多的探索，包括商业文档生成 [22]
SEIT-Agent框架
为应对HSSE检测与检验中的挑战，本文提出了SEIT-Agent。该智能体的设计有两个主要目标：(1) 执行损伤模式分析以辅助编制评估报告；以及(2) 提供高效准确的设备质量等级评定以支持检测结论。在架构上，SEIT-Agent集成了四个核心组件：一个作为中央推理和规划引擎的LLM；一个专用工具库，其中质量
案例研究
为验证SEIT-Agent的有效性，我们在两个任务上进行评估：损伤模式分析和设备质量等级评定。损伤模式分析任务评估智能体通过检索和利用领域知识生成专业文本响应的能力。设备质量等级评定任务评估智能体的任务理解、规划和执行能力。这两个任务对应HSSE检测与检验操作中的双重需求：高效知识
结论
本文提出了SEIT-Agent，集成了基于LLM的规划器、工具库、经验记忆池和领域知识库，以应对因分散的领域知识可及性和复杂的规则应用而产生的HSSE检测与检验操作效率挑战。首先，来自各种标准的等级评定规则被编程封装为工具，可被LLM识别和调用，从而高效地实现从
CRediT作者贡献声明
Xiaohan Zhang： 写作 – 原稿撰写，方法论，概念化。Gaowei Xu： 写作 – 审阅与编辑，资金获取。Chenze Wang： 写作 – 审阅与编辑。Han Wang： 数据管理。Mingzhe She： 写作 – 审阅与编辑。Song Qiao： 数据管理。Weiming Shen： 写作 – 审阅与编辑。Min Liu： 写作 – 审阅与编辑，资金获取。
利益冲突声明
作者声明他们没有已知的竞争性经济利益或个人关系可能会影响本文所报告的工作。
Xiaohan Zhang|Gaowei Xu|Chenze Wang|Han Wang|Mingzhe She|Song Qiao|Weiming Shen|Min Liu
