先说个核心判断：HVAC-Diagnostic-Brain（HDB）这款产品的定位，本质上就是暖通空调领域的一个“AI医生”。

它的主要阵地是那些大型商业楼宇和工业厂房的空调系统维保场景。

它能听懂维修工那些口语化的报修描述，比如“机子喘得厉害”。

然后结合物理定律和AI推理，精准锁定制冷机组这类复杂设备的故障根因。

更关键的是，它还能自动规划出长达10步以上的排查逻辑链，并按照概率排序给出最优维修方案。

最后，系统会强制校验安全红线，杜绝任何“幻觉”带来的风险。

这套流程，让复杂的维修工作变得像跟着导航开车一样：简单、专业、且安全。

四层解耦架构

1. 数据层

在Neo4j图数据库中，知识的存储方式与传统做法截然不同。

它不再以孤立的“主谓宾”三元组形式存在，而是以决策树路径的方式组织的。

节点方面做了扩展，包含了：

• Symptom (现象)：例如“高压报警”。
• CheckState (检测中间态)：例如“冷凝器压力值”。
• Fault (故障根因)：例如“冷凝器结垢”。
• Operation (维修动作)：例如“化学清洗”。

关系层面也做了增强，带上了属性：

• [FOLLOWED_BY {condition: “>2.5MPa”, prob: 0.8}]：这定义了10步链条中的跳转逻辑与可能性。
• [PREREQUISITE]：硬性约束。一个典型的例子是，拆机之前必须先断电。

2. 逻辑层

这里引入了概率路径算法。

路径检索不再依赖向量相似度，而是使用Cypher语言的深度遍历算法。

概率计算方面，引入了贝叶斯链条。例如，如果A→B的概率是0.8，且B→C的概率是0.7，那么整条路径A→C的置信度就是0.56。

更巧妙的是剪枝逻辑：当用户反馈某个检查点为“正常”时，硬逻辑会自动剔除所有基于“异常”分支的后续路径，避免无效引导。

3. 智能体协作层

这一层对现有的知识图谱RAG中的四个智能体进行了重构，形成了一个分工明确的协作团队：

• 分诊专家 (Triage Agent)：负责将用户的模糊口语转化为图谱中的标准Symptom。
• 路径规划员 (Path Planner)：根据当前状态，从Neo4j中提取出前3条最可能的“10步诊断链”。
• 交互引导员 (Interviewer Agent)：负责执行10步链路中的“中间询问”，比如“请观察室外机风机是否转动？”
• 安全合规官 (Safety Guard)：负责用SHACL规则校验生成的维修方案是否包含了所有必须的安全步骤。

4. 交互层

这里引入了诊断会话机制。

系统会记录用户已经做到了第几步，当前处于路径的哪个分支，确保整个诊断过程有据可查、不跑偏。

数据流图

HDB本质上是一个受约束的、带记忆的、可自我进化的逻辑推演引擎。

1. 分诊对齐 (P1)

输入：维修工的口语，例如“机子喘得厉害”。

处理：软本体Agent利用语义理解，将其对齐为图谱中的标准节点Symptom: Surging。

2. 路径挖掘 (P2)

这是一个深度优先遍历过程。

它从Symptom出发，在Neo4j中寻找长度最高可达10到15跳的LEADS_TO路径，直到终点Action。

3. 推理与剪枝 (P3)

核心逻辑是两件事：

• 概率计算——沿着10步路径累乘概率，算出置信度最高的Top-N路径。
• 硬逻辑剪枝——如果路径A假设“压力高”，但外部传感数据或用户反馈显示“压力正常”，则P3直接剔除该路径，提前止损。

4. 交互反馈循环

这是一个状态机循环。

系统每推送1到2个检查步骤，都会要求用户反馈结果（DS3会话状态）。

用户反馈回传给P1，触发P3重新计算路径置信度，实现动态导引。

5. 安全围栏 (P4)

这是混合本体中“刚性”的体现。

在方案离开系统前，SHACL引擎强制检查是否包含特定的安全动作，不合规就拦截并报错。

6. 学习进化

当维修完成后，如果人员反馈“按此方案修好了”，这条绿色数据流就会流向DS1知识图谱，自动调高该路径上相关边的probability权重值。

执行流程场景模拟

0. 初始输入：“中央空调主机运行10分钟后自动停机，显示屏闪烁，没有报错代码。”

1. 理解与对齐 (Step 1-2)：Agent A识别出两个现象：Unexpected_Shutdown 和 No_Error_Code。检索图谱后发现3条长路径，其中概率最高的一条涉及12个步骤。

2. 交互式诊断 (Step 3-6)：系统不会直接丢出方案，而是开始引导。

“第3步：请触摸压缩机外壳，是否烫手？”用户回答：“非常烫。”概率随即更新：路径“过载保护”概率从0.4升至0.9，而“电路板故障”概率则因逻辑剪枝降至0.05。

3. 深度下钻 (Step 7-9)：系统继续引导：“第7步：请测量启动电容的电容量。”用户反馈数值后，硬逻辑校验发现该数值低于标准限值20%，与故障定义吻合。

4. 方案输出 (Step 10)：系统生成最终方案：“更换启动电容”。在方案离开系统前，SHACL强制介入，自动在末尾添加安全提示：“注意：更换前请确保放电，防止电击”。

五大核心技术难点

说实话，HDB项目最难啃的骨头，是知识的结构化治理。

把1000本PDF变成1000万个三元组很容易，但要把它们变成一条条互不冲突、逻辑连贯、可计算概率的维修链，那需要极强的本体设计能力。

1. 逻辑链的语义漂移与误差累积

难点描述：在10步的推理中，如果每一步的语义对齐准确率是90%，那么到了第10步，整体准确率会衰减到35%。

技术瓶颈：LLM在处理长链条时容易受到中间步骤幻觉的干扰。

解决难度：

解决方案：必须引入逻辑剪枝。每一步的输出必须经过硬本体的约束校验，一旦发现不符合物理定律——比如在低压保护时却要求检查高压开关——就立即强制截断并重算，不能让LLM继续往下“瞎猜”。

2. 知识建模：从非标文本到逻辑有向无环图

难点描述：厂家手册、FMEA表格和维修日志的格式极其不统一。手册里写着“若A发生则检查B”，但实际操作中可能包含隐含的前置条件。

技术瓶颈：如何自动从非结构化文本中提取出带有“If-Then-Else”逻辑的图结构？

解决难度：

解决方案：需要一个“本体审计智能体”。先由Radical Agent提取初稿，再由专门负责逻辑对齐的智能体对照《暖通标准术语库》进行实体消歧，确保“冷媒不足”和“氟利昂不够”在图谱中被强制归并为一个逻辑节点。

3. 动态概率权重的获取与冷启动

难点描述：维修方案中的概率往往没有现成数据，手册里通常只给出列表，不给概率。

技术瓶颈：初始概率从哪儿来？如何随实际维修结果动态更新？

解决难度：

解决方案：冷启动阶段，利用LLM的先验知识给出初始概率排名。运行阶段，引入强化学习反馈。维修人员反馈“修好了”或“没修好”，系统自动利用贝叶斯公式更新边上的权重。

4. 长时记忆管理

难点描述：10步维修可能跨越数小时甚至数天。传统的LLM对话窗口无法稳固地维持这种深度诊断状态。

技术瓶颈：当用户在第8步突然说“等等，我刚才看错了，第3步那个压力表其实是红区”，系统如何实现逻辑回溯？

解决难度：

解决方案：引入外部状态机管理。诊断过程不放在LLM的记忆里，而是存在Neo4j的Session节点或md文件中。LLM只作为处理器，每一轮对话都从数据库读取当前的诊断快照和已排除路径。

5. 符号推理与神经推理的时序对齐

难点描述：硬本体的符号推理是刚性的，LLM的神经推理是柔性的。

技术瓶颈：当LLM认为“根据经验，可能是电路板潮湿”，但硬本体查询显示“该机组安装在干燥机房，湿度传感器显示正常”时，系统如何仲裁冲突？

解决难度：

解决方案：设定“硬规则”具有最高优先级的“一票否决权”。在HDB架构中，安全合规Agent使用SHACL形状约束，拥有比分诊专家Agent更高的权限。任何违反物理约束的建议将被系统自动拦截并打回重审。

神经符号架构

HDB最核心的创新，是将软本体和硬本体融合成了神经符号架构。

负责语义理解的软本体是神经部分，记录在md文件中，它决定了系统知识面的广度。

负责逻辑推理的硬本体是符号部分，由程序实现，它决定了系统专业性的下限和在严肃场景中的安全性。

软本体

• 本质：一份用自然语言编写的领域规则和行动指南。
• 载体：Global_HVACR_Ontology_Policy.md
• 交互对象：大语言模型
• 核心功能：语义对齐、知识抽取指引、上下文理解、模糊处理。
• 特点：灵活、有弹性、容错率高、易于编写和修改。

硬本体

• 本质：一套用数学和代码编写的物理定律和检验脚本。
• 载体：Python脚本、OWL文件、Neo4j约束。
• 交互对象：知识图谱数据库、自动化校验流程。
• 核心功能：逻辑死锁（互斥）、数值熔断、结构校验、自动推理。
• 特点：绝对严谨、零容错、数学可证明、执行效率极高。

双重过滤机制

1. 语义转化阶段：软本体

动作是，LLM带着md规范阅读手册。

MD保证了语义的正确性，让LLM能把“风管厚度不少于1.2mm”这句话，按照格式要求转化为初版JSON数据。

2. 逻辑审判阶段：硬本体

结构化JSON进入Python校验脚本。程序根据硬本体定义的规则进行检查。

例如，如果AI抽取的风管材料是“彩钢板”，但耐火极限给了“10h”，硬程序会立刻报警，因为这超过了物理极限。

如果AI漏掉了来源条款，也会被拦截。

3. 闭环修正阶段

如果硬本体校验失败，结果会反馈给软本体。

硬程序给出具体的报错原因，软本体AI收到报错后，重新去md规范和原始文档里找原因，修正输出。

最终，只有通过了软理解且符合硬逻辑的数据，才被允许存入Neo4j知识图谱。