制造即服务（MaaS）场景里，用户往往只说目标，不说工艺细节。论文提出一套意图驱动框架：微调过的指令模型把自然语言意图翻译成结构化 JSON 需求模型，再映射到符合 ISA-95 的 Neo4j 知识图谱，取出相关子图并更新关系属性，让后续系统能对结构化需求做推理，而不是猜一段模糊文本。
三步流水线
第一步，意图翻译。用户用自然语言表达运营目标，系统通过指令提示让微调后的 LLM 生成 JSON 需求模型，字段包括目标、模式、触发条件、动作以及约束。论文给出的例子是“5 秒内自动更新内部车队计划，准确率至少 99.9%，数据完整性 100%，可用性 99.99%，CPU 与内存占用不超过 65%”。第二步，需求模型到制造过程：抽取目标、动作、约束等语义成分，用检索—匹配机制对齐制造过程本体。第三步，知识图谱构建：把过程模型转成知识子图并合并进全局图谱，用 Cypher 查询子图、更新关系属性。
本体只有三类核心实体
图谱本体围绕 ISA-95 设计，核心实体是制造过程（MP）、制造资源（MR）与过程约束（PC）。制造过程是基本单元；制造资源覆盖原材料、生产设备、人员，也包括 CPU、内存这类计算资源；过程约束则声明参数、约束与 KPI，描述过程的行为、性能期望和质量标准。本体声明过程与资源之间的映射，表示执行任务所需的依赖；每个过程再关联约束，从而把 MaaS 环境中的制造操作准确表达出来。给定意图后，系统查询图谱实例，既取回相关实体与关系，也更新这些关系的属性值。
小模型 + 轻量微调
底座选 Mistral-7B-Instruct-v0.2，理由是结构高效、结构化输出稳定、适合资源受限的微调：滑动窗口注意力与分组查询注意力降低长上下文计算成本，4 位量化配合 LoRA 只更新注意力层中的少量参数，基础模型保持冻结；训练用 2×10⁻⁴ 学习率，数据按 90% 训练、10% 评估划分。数据集由团队自建，共 2,580 条标注样本，覆盖内部车队计划更新、空箱请求、动态集装箱路径优化三类过程，意图由模板加 AI 改写扩展，再由熟悉工业运营的标注者人工校验。
结果：89.33% 精确匹配
模型在第 6 个 epoch 达到最高准确率 97.29%，此后验证损失趋平、准确率回落，出现早期过拟合迹象，因此第 6 轮作为停止点。与零样本、少样本基线相比，微调模型在 JSON 合法性、精确匹配与约束抽取等指标上全面领先：精确匹配 89.33%，总体准确率 97.27%。按字段看，多数键的 F1 接近 1.00，只有可用性等约束因表述差异略低（0.86）；推理时间随批大小线性增长，平均每样本 54 毫秒，具备实时部署的潜力。
边界在哪里
这套方法把“意图”变成可查询的图结构，价值在于可解释与可复用：JSON 需求模型可审计，子图抽取把执行范围限定在相关实体上。但它仍是受控数据集上的结果，真实工厂语言的歧义、跨本体对齐与权限控制尚未覆盖；论文也把与知识图谱的深度联动列为后续工作。
资料来源：Intent-Driven Smart Manufacturing Integrating Knowledge Graphs and Large Language Models — arXiv（2026）。本文为技术要点整理/编译，非原文全文。