利用LLM面向系统工程领域设计、实现和云端部署知识库智能助理的实践

当前，AI技术正以惊人的速度演进，大语言模型（LLM，如GPT-4o、Qwen2、Llama3.1等）在诸多行业已开始落地生根。在面向模型化系统工程（MBSE）这一领域，AI的应用也逐渐从概念走向实践。从实际工作的角度来看，一个基于LLM的系统工程实践知识智能助理，确实能带来不少价值。一方面，它能帮助更系统、更完整地梳理个人知识体系；另一方面，在合适的场景下，也能与志同道合的同仁更深入地交流、切磋。这种“看山是山、看水是水”的迫切想法，推动着从零开始探索——即便已过知天命之年，依然像连夜登华山等待第一缕阳光那样，不畏从AI小白起步，一步步设计和开发一套基于开源LLM的、能够在云端部署和运行的系统工程领域知识问答智能助手。目的很明确：巩固专业知识、开拓新思维、吸纳前沿技术，最终反哺工作和生活。

一、需求分析

在构建这套系统工程知识库智能助理系统时，核心需求需结合MBSE行业特性与实际工作环境的限制来明确：

1. 智能助手的系统工程场景适应性

系统工程领域充斥着各类行业标准、规范、最佳实践和工具。目标是开发一个基于大语言模型的智能助手，它不仅能理解这些复杂概念，还能在具体的工程实践活动中提供实时、准确的支持。比如进行系统架构设计时，助手能够参考ISO 26262（汽车功能安全标准）、ARP 4754A（航空系统开发标准）等既有标准，提供相关建议，甚至指出系统工程活动中可改进之处或交付工件中的缺陷。因此，首先需要完成目标系统的愿景描述以及SoI（系统利益相关者）识别和建立。

2. 基于云端的计算资源优化和部署

由于本地电脑资源配置有限，利用云平台实现算力复用成为必然选择。云端部署不仅能提升模型训练和推理的性能，还支持多用户并发访问。经过多方比较，重点考虑了性价比，最终选择了国内某大厂的轻量级应用服务器用于学习用途。从Linux面板、Docker及容器、镜像文件等基础环境开始安装配置。得益于工业化平台的良好体验，这些安装和配置并未耗费太多时间，而且具备较高的可维护性。

有了PaaS层支撑，便可以安心部署开源的LLM知识问答开发平台了。在平台选型上，主要考虑其成熟度、稳定性以及GitHub上的社区活跃度。更重要的是，目前主流平台所展现的能力已经清晰表明：它是一个开源的LLM应用开发平台，集成了AI工作流、RAG流水线、智能体能力、模型管理、可观测性等功能，能够快速从原型走向生产。

是的，RAG技术很关键，甚至知识图谱也扮演着越来越重要的角色。

3. 知识库素材梳理

无论是基于开源还是闭源LLM，知识库的根本都在于数据、信息和知识。系统工程本身异常复杂，数据涵盖体系工程、需求工程、架构建模、EE架构及开发、仿真验证、ELM、数据科学、循规（包括专业标准和行业标准）等。这是一个需要持续积累和迭代的过程，底层架构从一开始就需要用心设计。

二、设计及实现基于开源LLM的系统工程知识库AI助理

为了解决上述需求，决定采用开源LLM和开源LLM知识问答框架来设计和开发该系统。以下是设计与实现的核心要点。

1. 大模型选型与私有化部署

首先需要选择一个适合系统工程领域的LLM。结合MBSE需求，倾向于选择GPT-4o、Qwen2、Mistral等具备强大语言理解和生成能力的开源模型。为满足私有化部署要求，使用前述的开源框架进行本地化部署。具体操作包括：

• 模型训练与调优：通过迁移学习方式，将大模型在系统工程领域的相关数据集（如标准文档、项目案例、技术报告等）上进行微调。这一步具有一定难度，目前正在调试中，选择了LLaMA Factory作为训练框架。

• 私有化部署：采用容器化技术（如Docker）将模型部署在本地机或前述云平台上。对于非商业、非企业版权的知识数据，建议上云依靠算力进行顺畅的分析、向量化和结构化运行。企业级知识库则可借助Kubernetes等工具进行大规模分布式部署，满足并发需求。

2. 系统工程知识库的构建与管理

知识库是智能助理的核心，其质量直接决定系统的实用性。需要构建一个覆盖广泛、结构化的知识库：

• 知识的分类与整理：根据系统工程的不同阶段（需求分析、系统设计、验证与验证等），将知识库划分为多个模块。每个模块下再细分为不同领域，如功能安全、系统架构设计、仿真验证等。

• 知识库的持续更新与扩展：知识库需要不断扩展和更新，以跟上行业发展趋势。目前正在寻找成熟的自动化知识获取与更新机制，能够定期爬取行业文献、标准更新内容并自动添加到知识库中。如果有了解的同行，还望不吝推荐。

3. 智能问答系统的开发与集成

在问答系统开发方面，正尝试采用开源框架为基础，结合RAG（检索增强生成）技术，实现高效的问答功能：

• 问答模块的设计：需要能够处理系统工程领域的复杂问题。例如，询问如何设计一个符合CATIA MagicGrid方法或CESAMES方法标准的系统架构时，系统能够检索相关标准文档并生成详细的操作建议。

• 与知识库的集成：问答系统将与知识库紧密集成，确保回答的准确性和相关性。利用向量检索技术，将用户查询与知识库中的内容进行相似度匹配，找出最相关的答案。

三、总结与展望

通过学习和实践，正在逐步构建一套强大的、自用的系统工程知识问答智能助理系统。这套系统不仅能够满足个人工作中的实际需求，也有望为系统工程领域的专家提供一些参考和启发。

展望未来，计划利用工余闲暇时间进一步优化系统性能和体验，尤其是在GraphRAG方面。同时，将持续丰富知识库内容，使之成为提升专业能力和积累经验的重要工具。

在AI技术日新月异的当下，相信这套基于大语言模型的系统工程知识库智能助理系统，能带来更多工作与生活的平衡体验。