大模型 LLM 应用开发

你是一个有10年经验的设备维护工程师。以下是今早的设备停机日志：

[日志内容]
06:23 注塑机A-03 温度报警 (285°C / 260°C)
06:24 系统自动停机保护
06:45 维护人员到达现场
07:10 发现冷却水阀故障，更换后重启
07:30 恢复生产

请分析：
1. 根本原因是什么？
2. 为什么温度会从260°C升到285°C？
3. 如何防止此类故障再次发生？
4. 请用鱼骨图格式列出所有可能因素

输出格式：JSON

根据以下产线数据，生成今日 OEE 日报：

产线数据：
- 计划生产时间: 480 min
- 实际运行时间: 432 min（停机48min）
- 计划节拍: 60 件/min
- 实际产量: 24,192 件
- 理论产量(按实际运行时间): 25,920 件
- 不良品: 363 件

请计算：
1. 可用率 (Availability)
2. 性能率 (Performance)
3. 质量率 (Quality)
4. OEE = A × P × Q
5. 与昨日对比（昨日 OEE = 76.3%）
6. 改进建议

请以 Markdown 表格形式输出，并给出趋势分析。

将以下 SOP 操作规程转换为执行检查清单：

SOP-2024-038: 注塑机开机操作标准流程
(原文内容...)

要求：
1. 每个步骤必须有一个 ☐ 复选框
2. 关键安全步骤用 ⚠️ 标记
3. 标注预计耗时
4. 分为"开机前检查"、"开机操作"、"开机后确认"三个阶段
5. 输出为 Markdown 格式，便于打印

你是一个擅长时间序列分析的数据科学家。以下是过去两周的日产量数据：

日期     | 产量   | 备注
---------|--------|--------
6/1(周一) | 5,230 | 正常
6/2(周二) | 5,180 | 模具更换
6/3(周三) | 5,310 | 正常
6/4(周四) | 5,290 | 正常
6/5(周五) | 5,100 | 原料批次差异
6/6(周六) | 4,200 | 半班生产
6/7(周日) | 0      | 休息
...（更多数据）

请分析：
1. 产量趋势（上升/下降/平稳）
2. 周期性模式
3. 异常值识别
4. 下周产量预测（含置信区间）
5. 改进建议

请给出具体的数值预测，不要模糊表述。

你是一个数据库性能优化专家。请审查以下 SQL 查询：

```sql
SELECT p.product_name, COUNT(*) as total,
       AVG(d.defect_rate) as avg_defect
FROM production p
JOIN defect_log d ON p.id = d.product_id
WHERE p.create_time > '2024-01-01'
GROUP BY p.product_name
HAVING COUNT(*) > 100
ORDER BY avg_defect DESC
```

请从以下角度审查：
1. 性能问题（索引使用、全表扫描风险）
2. 数据准确性（JOIN 方式、NULL 处理）
3. SQL 注入风险
4. 改写建议（给出优化后的 SQL）

请按严重程度排序：🔴 严重 🟡 警告 🟢 建议

# ===== 制造业知识库 RAG 系统 =====

from langchain.document_loaders import (
    PyPDFLoader, Docx2txtLoader, TextLoader
)
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.embeddings import HuggingFaceEmbeddings
from langchain.vectorstores import Chroma
from langchain.chat_models import ChatOpenAI
from langchain.chains import RetrievalQA
from langchain.prompts import PromptTemplate

# 1. 加载文档
documents = []
for pdf_path in ["docs/SOP-注塑机操作.pdf", "docs/设备维护手册.pdf"]:
    loader = PyPDFLoader(pdf_path)
    documents.extend(loader.load())

# 2. 分块 (递归分割，保留结构)
splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,
    chunk_overlap=50,
    separators=["\n\n", "\n", "。", "，", " "]
)
chunks = splitter.split_documents(documents)
print(f"共分割成 {len(chunks)} 个块")

# 3. 向量化 (使用 BGE 中文模型)
embeddings = HuggingFaceEmbeddings(
    model_name="BAAI/bge-large-zh-v1.5"
)

# 4. 存入 Chroma 向量数据库
vectorstore = Chroma.from_documents(
    documents=chunks,
    embedding=embeddings,
    persist_directory="./chroma_db"
)
vectorstore.persist()

# 5. 构建检索链
llm = ChatOpenAI(
    model="gpt-4o",
    temperature=0
)

# 自定义 Prompt 模板
prompt_template = """你是制造业设备维护专家。
请基于以下参考资料回答问题。如果资料中没有相关信息，请明确说明。

参考资料：
{context}

问题：{question}

请按以下格式回答：
1. 答案：[直接回答]
2. 依据：[引用来源]
3. 置信度：[高/中/低]
"""

prompt = PromptTemplate(
    template=prompt_template,
    input_variables=["context", "question"]
)

qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",
    retriever=vectorstore.as_retriever(
        search_type="mmr",
        search_kwargs={"k": 5}
    ),
    return_source_documents=True,
    chain_type_kwargs={"prompt": prompt}
)

# 6. 提问
result = qa_chain.invoke({
    "query": "注塑机A-03温度报警的标准处理流程是什么？"
})

print(result["result"])
print("来源文档：", result["source_documents"])

# ===== 制造业数据分析 Agent =====

from langchain.agents import initialize_agent, AgentType
from langchain.tools import Tool
from langchain.chat_models import ChatOpenAI
from langchain.memory import ConversationBufferMemory
import pandas as pd

# 定义工具
def query_production_db(sql: str) -> str:
    """查询生产数据库"""
    import psycopg2
    conn = psycopg2.connect("postgresql://...")
    df = pd.read_sql(sql, conn)
    return df.to_string()

def analyze_data(data_description: str) -> str:
    """用 LLM 分析数据"""
    return llm.predict(f"分析以下生产数据并找出异常:\n{data_description}")

def generate_chart(chart_spec: str) -> str:
    """生成数据图表"""
    import matplotlib.pyplot as plt
    # 根据规格生成图表并保存
    return "图表已生成: /charts/output.png"

def send_alert(message: str) -> str:
    """发送告警通知"""
    # 调用企业微信/钉钉 API
    return f"告警已发送: {message}"

tools = [
    Tool(name="query_db", func=query_production_db,
         description="查询生产数据库，输入SQL语句"),
    Tool(name="analyze", func=analyze_data,
         description="分析生产数据，输入数据描述"),
    Tool(name="chart", func=generate_chart,
         description="生成图表，输入图表配置"),
    Tool(name="alert", func=send_alert,
         description="发送告警，输入告警内容"),
]

# 初始化 Agent
llm = ChatOpenAI(model="gpt-4o", temperature=0)
memory = ConversationBufferMemory(memory_key="chat_history")

agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT,
    memory=memory,
    verbose=True,
    max_iterations=5
)

# 用户提问 → Agent 自主执行
result = agent.run("分析今天产量下降的原因，如果下降超过10%就发告警")

# Agent 执行过程：
# 1. [Thought] 需要先查今天和昨天的产量数据
# 2. [Action] query_db("SELECT date, SUM(qty) FROM ...")
# 3. [Observation] 今天 4200, 昨天 5100, 下降 17.6%
# 4. [Action] analyze("今天4200 vs 昨天5100, 下降17.6%...")
# 5. [Observation] 主要原因: 3号线换模超时, 5号线设备故障
# 6. [Action] alert("⚠️ 今日产量下降17.6%...")
# 7. [Final Answer] 综合分析报告

# 安装 Ollama
curl -fsSL https://ollama.com/install.sh | sh

# 一行命令运行模型
ollama run qwen2.5:7b       # 通义千问 7B (中文优秀)
ollama run deepseek-r1:7b   # DeepSeek R1 7B (推理强)
ollama run llama3.1:8b      # Llama 3.1 8B (综合好)

# 通过 API 调用（兼容 OpenAI 格式）
curl http://localhost:11434/v1/chat/completions \
  -d '{
    "model": "qwen2.5:7b",
    "messages": [{"role": "user", "content": "你好"}]
  }'

# Python 调用
from openai import OpenAI
client = OpenAI(base_url="http://localhost:11434/v1", api_key="ollama")
response = client.chat.completions.create(
    model="qwen2.5:7b",
    messages=[{"role": "user", "content": "分析这段日志"}]
)

# 安装
pip install vllm

# 启动推理服务器 (兼容 OpenAI API)
python -m vllm.entrypoints.openai.api_server \
  --model Qwen/Qwen2.5-7B-Instruct \
  --served-model-name qwen2.5 \
  --host 0.0.0.0 \
  --port 8000 \
  --tensor-parallel-size 1

# vLLM 优势：PagedAttention, 连续批处理
# 吞吐量可达 Ollama 的 3-5 倍