流程工业的状态监测系统（CMS）早就能检测和分类故障，但“这个轴承磨损到什么程度”“还能撑多久”“该不该现在停机”仍要分析师判断。结果是报警越积越多，虚警挤占精力，真正严重的退化反而被淹没。MindRAG 的做法不是再训一个诊断模型，而是给分析师配一个能查库、能算信号、能解释来源的智能体：把设备层级、标注、工单和振动信号组织成一个多模态向量库，让大模型在这个库上做检索增强生成。
难点不在模型，在数据结构
工业 CMS 数据库通常按“工厂—机组—设备—测点”组织成树，标注与维修工单则散落在文本里。MindRAG 先把机器层级图抽出来，作为检索的骨架；再把标注、工单描述与信号特征一起写成半结构化的、类图的向量库。每条记录既带语义嵌入，也带层级路径、时间戳与测点属性，检索时可用过滤器限定“哪台设备、哪个测点、哪段时间”。
更关键的是标签问题：公开的工业状态监测数据集几乎没有可靠的故障发展标签。MindRAG 用标注与维修工单作为“替代标签”，把历史上“某测点在某段时间被记为某类故障”当成弱监督信号，从而在没有干净标签的情况下训练与评估。
检索是加权拼出来的
普通 RAG 只比文本相似度，这里要同时比层级、标注、信号与时间。系统定义了多种距离与打分：层级路径的匹配、文本描述的相似度（含 BLEU 之类的词面度量）、信号特征的相似度，以及时间邻近性。最终分数按权重矩阵归一化后相加，其中标注与信号嵌入的权重是其他度量的五倍——这是作者给出的经验设定，也可在工具调用时调整。
四个智能体分工
主思考智能体是入口，负责文档级检索、对话与调度，配有层级查询、知识库读写等工具；CM 分析师智能体承担信号检索与故障诊断，因为信号分析会产生大量中间数据，它的记忆会被定期重置，以免超出上下文窗口；维护调度智能体负责把诊断转成维护建议；评估智能体只在实验阶段使用，拿真实工单比对智能体输出，避免“自己判自己”。知识库分通用库与按资产编码的专库，用来沉淀老师傅的隐性知识，智能体可在对话中读写。
实测：71% 与 5%
在“排除目标资产自身记录”的预测任务上，智能体对 130 条记录给出判断：92 条正确（其中 20 条被评估智能体判为部分正确），38 条错误，按两种口径计算准确率为 71% 与 65%；其中 77 次（59%）为主动退出并给出报警，这部分准确率 75%。在 20 次以健康信号为主的测试中，只出现 1 次虚警和 1 次冗余报警，作者称 5% 的虚警率已优于现有系统。参与评估的分析师认为，带趋势说明的报警对现有系统是有价值的补充。
限制也很清楚：缺标签、标注样本少、大模型输出不确定，实验规模也有限。作者把路线分成四级，从“辅助检索”到“自动生成并核验报警”，再到“自动维护报告”，当前只走到前两级。
要点
MindRAG 的启示是，工业智能体的上限往往由数据组织方式决定，而不是由模型参数决定。把设备树、工单和信号对齐到同一个可过滤的检索空间，模型才有机会给出“有出处的判断”；反过来，只把 PDF 手册塞进向量库，得到的仍是漂亮但无用的回答。
资料来源：Agent-based Condition Monitoring Assistance with Multimodal Industrial Database Retrieval Augmented Generation — arXiv（2025-06-10）。本文为技术要点整理/编译，非原文全文。