初稿已整理为 Word版和Markdown版。Word版共27页，包含封面、报告正文、参考文献工作目录，以及两份供后续修改使用的编辑附录。

下载开题报告初稿（Word，可编辑）
下载同版正文（Markdown）

题目采用：

基于多源知识融合的供水厂泵阀设备维修知识管理与辅助决策研究

报告已包含研究意义、分类文献综述、研究目标与内容、关键问题、研究方法、技术路线、实验设计、六章论文框架、研究条件、进度安排和预期成果。

有一项需要先说明：参考文献目前是32条“工作条目”，不是32条已经全部核验的正式题录。 三篇上传的主要论文依据全文处理；只有简介或摘要的文献，缺少的题名、作者、发表信息及原文核验均保留了标记。正式提交前还需要补齐，并重新核算学院要求的“至少30篇、外文不少于三分之一、近五年不少于三分之一”。(学院开题中期参考_及两篇学长的开题报告.txt)

初稿摘要

供水企业泵阀设备的维修知识分散于历史维修台账、厂家手册、标准规范及现场人员经验之中。受岗位分工、资料存储方式和术语差异影响，现场经验难以被技术管理与审核人员充分获取；单一水厂历史维修事件数量有限，也难以覆盖管理工作所需的全部专业知识。针对上述问题，本研究拟以已获使用授权的XT水厂维修记录为案例基础，研究多源维修知识的组织、融合、查询与持续积累方法。

研究拟首先梳理泵阀设备技术管理中的知识需求，结合企业记录、厂家资料、标准规范和公开专业案例，形成多源维修知识语料；其次，建立知识模式与标注规范，采用大语言模型辅助抽取、实体归一和人工校核的方法，构建保留来源、适用条件及原始证据的知识图谱；再次，通过先导实验确定知识图谱与检索增强生成的结合方式，形成面向历史案例、可能原因、检查维修措施及技术审核关注点的知识辅助方法；最后，利用历史时间外样本及研究期间新增台账，验证应用效果与人机协同增量更新流程。

研究拟设置知识抽取与融合质量、知识接入方式对比、关键机制消融和多源知识贡献四类实验，分别评价知识可靠性、检索与回答质量、引用可信性及外部知识的补充作用。预期形成可追溯的泵阀维修知识组织方案、轻量化辅助查询原型及持续更新流程，为供水企业维修知识复用和技术管理提供案例依据。研究不涉及故障预测、寿命预测或自动替代专家决策。

关键词： 供水厂；泵阀设备；维修知识管理；多源知识融合；知识图谱；辅助决策。

文献综述怎样引出你的选题

正文的文献综述分为六节：

工程知识管理与维修知识复用 → 供水设备运维与水务知识组织 → 多源知识抽取、表示与融合 → KG与LLM知识增强 → 应用验证与持续更新 → 研究评述。

研究意义首先落在你实际描述的岗位关系上：现场人员掌握的维修细节，如何转化为技术管理人员能够取得、理解和核对的知识。 这比从“大模型发展迅速，因此建设智能系统”开始，更贴近你在技术要求审核、管理规程编制和设备资料核对中的实际问题。你上传的讨论记录也明确区分了现场维修与部室技术管理的知识需求。(我的研究方向（和gpt讨论版本）.md)

三篇主要参照论文分别承担不同作用：

Zhang 2025提供问题展开的顺序。 其论证从工程管理知识分散、人工查阅困难出发，再进入知识组织、检索和专业问答。因此，初稿没有先展开LLM模型，而是先说明“为什么已有台账和手册仍不能充分支持技术管理”。(Zhang 等 - 2025 - A knowledge graph-enhanced large language model for question answering of hydraulic structure safety.pdf)

范岩淼提供知识构建章节的组织方式。 初稿保留资料整理、本体或模式设计、抽取、对齐融合和知识存储之间的衔接，但不移入其图谱补全与贝叶斯诊断任务。(范岩淼 - 2026 - 基于知识图谱的船舶柴油机故障诊断和系统开发.pdf)

郑宇瀚提供分层验证的结构。 初稿将知识构建质量、辅助方法比较和独立案例应用分别安排，而不是用系统展示替代效果验证。其论文也将抽取模型实验、图谱应用和未入库案例验证区分展开。(郑宇瀚 - 基于BERT-BiLSTM-CRF与知识图谱的环评分析方法研究.pdf)

据此，文献评述的收口不是“供水领域尚未有人使用知识图谱”，而是：

已有研究提供了工程知识组织和知识增强应用的方法基础，但对本研究而言，仍需考察企业事件、厂家建议与规范要求如何在保留适用条件的前提下共同组织，以及这种组织方式相对于普通向量检索，能否为技术管理任务提供增量支持。企业知识的持续积累，还需要通过新增台账的审核、回填与后续使用加以验证。

拟定的六章论文结构

章节	主要内容	对应研究任务
第一章：绪论	研究背景、意义、文献综述、研究边界与技术路线	从企业管理问题引出研究问题
第二章：相关基础与XT水厂维修知识管理需求	维修知识管理过程、相关技术基础、资料流转、使用任务与知识需求	明确“谁需要什么知识”，为模式设计提供依据
第三章：多源泵阀维修知识抽取、融合与图谱构建	语料整理、模式与标注、LLM抽取、实体归一、冲突处理、来源追溯	实验一：抽取与融合质量
第四章：基于知识增强的维修知识辅助方法与实验	先导选型、检索与证据组织、回答生成、对比及错误分析	实验二至四：主对比、消融、多源贡献
第五章：原型应用与企业知识增量更新验证	轻量原型、历史时间外验证、新台账验证、审核与版本更新	企业应用及持续积累机制
第六章：结论与展望	主要结论、实际贡献、适用范围与不足	根据证据收紧结论

初稿中明确了几处验证边界

抽取质量与人工审核后的知识质量分开报告。 实体、关系的Precision、Recall、F1评价未经人工修正的模型输出；最终入图质量另行抽检。这样能够说明人工校核的实际作用，而不是把校核后的正确结果全部算作自动抽取能力。

库内问答测试与时间外新事件测试采用不同的留出方式。 对于库内知识查询，正确支撑资料应存在于可检索语料中，留出的是测试问题及其标注；对于时间外新事件，该事件记录和事后处置结论则不能提前入库。

实际维修结果不等于全部可能原因的金标。 “更换定位器后恢复”能够支持某次处置事实，但不能证明所有根因已经查明。这也与你后期讨论中对评价口径的修正一致。(我的研究方向（和gpt讨论版本）.md)

Golden Context是理想证据参照，不是可部署方法。 它使用同一可用资料范围中的人工选定证据，不直接提供标准答案，也不引入当前知识版本不可获得的未来事件结论。

多源贡献实验不夸大因果解释。 E、E＋M、E＋M＋S能够展示新增来源补充了哪些任务，但资料数量也同时增加，因此不能仅凭这三组结果断言某类来源或某个融合环节具有独立的因果优势。

文末附录A集中列出了定稿前需要补充的资料，附录B说明各上传材料在写作中的用途。后续修改时，优先补齐 XT台账的正式统计、厂家与规范资料清单、文献完整题录；模式数量、检索组合、测试题量和模型参数则继续保留到先导实验后确定。

你这个“不舒服”的感觉是对的。现在的问题不是文献不够，也不是内容不专业，而是**“厚度上去了，主线反而被埋了”**。

我看了你现在 2.2 的写法。它其实已经人为设计了一条“管理问题—知识构建—知识应用—验证与更新”的四段链条，而且每节最后还分别收束成“第一个问题、第二个问题……”(mem_proposal_draft.md)。所以它不是“没逻辑”，而是有一种很典型的毛病：

提纲有逻辑，但正文没有形成“文献自身发展的逻辑”。

读者能看到你在分类，却不太能感觉到“前人是怎么一步一步走到今天、为什么下一步自然会走到你的研究”。

学院真正要求的也不是“尽量多罗列研究”，而是分类梳理之后，要概括主要特点、趋势、价值、不足，并把不足和你的研究问题建立内在联系。(学院开题中期参考_及两篇学长的开题报告.txt)
你现在“分类”和“不足”都做了，但中间那个最重要的东西——发展脉络——还比较弱。

你现在为什么会显得散

最明显的是 2.2.1。名义上叫“设备运维知识管理的管理问题研究”，但里面连续出现了企业知识管理、建筑文本挖掘、水厂数字孪生、RUL、通用水务知识图谱、泵站运维知识图谱。单独看每一段都对，可读者的认知层级一直在跳：

管理问题 → NLP可行性 → 状态预测 → 水务KG → 泵站KG。

这几个东西不是同一条横轴，所以会有一种“作者知道很多，但我不知道为什么现在要读这篇”的感觉。

2.2.2 又有另一种问题：一上来从“Google 2012、通用/领域知识图谱、骨架法、TOVE、Methontology、七步法”讲起。这更接近第二章理论基础，而不是“研究现状”。它会中断前面刚建立起来的工程问题叙事。

2.2.4 是我觉得目前最值得动刀的一节。“应用验证”和“持续更新”实际上不是一个研究领域。前者属于怎么证明方法有效，后者属于知识生命周期管理问题。现在为了凑第四个环节把它们绑在一起，所以会天然有拼接感。

还有一个更隐蔽的问题：你现在几乎每读完一篇重要论文，都马上解释“这对本研究意味着什么”。这在做读书笔记时很好，但是放进正式综述，就会变成：

A做了什么 → 对我有启发；
B做了什么 → 对我有启发；
C有局限 → 正好对应我的研究；
下一节再重新来一次。

结果就是**“评论很多，综合反而不够”**。

我建议把主线彻底收成三条，不要四条

你的综述其实不需要承担整个论文技术路线的所有环节。最合适的骨架，我会改成：

1. 2.2.1 设备运维知识管理与水务设备知识组织研究
   回答：为什么设备运维知识需要从文档和个人经验转化为组织知识，以及水务领域已经做到哪里。

2. 2.2.2 多源运维知识的抽取、表示与融合研究
   回答：这些知识怎么从维修记录、手册、规范中变成结构化、可关联、可追溯的知识。

3. 2.2.3 知识图谱与大语言模型融合的知识增强应用研究
   回答：图谱建好以后如何真正被查询和使用，为什么从传统KG问答进一步发展到Vector RAG、KG-enhanced LLM、GraphRAG。

4. 2.2.4 研究现状评述与本文切入点
   最后一次性收口，不再每节反复“这是本研究第几个问题”。

这样会立刻顺很多，因为这三个主体章节实际上是一条很自然的链：

知识为什么要管
→ 知识怎么建起来
→ 知识怎么用起来
→ 现有研究还缺什么

而“验证设计”和“增量更新”不要单独撑一个大综述分支。增量更新可以放到 2.2.2 最后一段，作为知识构建由“一次性建库”走向“持续维护”的发展趋势；验证范式放到 2.2.4 研究评述里，用两三句话说明现有很多工作只验证抽取、系统功能或案例效果，而你准备做分层实验即可。它本来就是你的研究设计，不需要为了它再造一个“研究领域”。

真正要学 Zhang 2025 的，不是它列了哪些文献，而是它怎么“推”下去

这篇的 Related studies 很值得你学。

它实际上不是“文本挖掘研究一段、KG研究一段、QA研究一段”这么简单，而是每一段都由上一段的局限推出来：

文本挖掘可以抽信息
→ 但抽出来之后没有很好地组织和存储
→ 所以引出 KG；

然后：

KG 能组织领域知识
→ 但已有研究偏重建图，怎么让知识重新进入管理活动还不充分
→ 所以引出 QA；

再往下：

传统 QA 可以复用知识
→ 但依赖标注数据，且难与KG充分结合
→ 引出 LLM / RAG；

再然后：

Vector RAG 成本较低
→ 但主要依赖语义相似度，缺乏知识之间的显式关联
→ 所以自然引到 KG-enhanced LLM。(Zhang 等 - 2025 - A knowledge graph-enhanced large language model for question answering of hydraulic structure safety.pdf)

最后它再专门设一个“Knowledge gaps and research objectives”，把前面的不足统一压成几个研究缺口。(Zhang 等 - 2025 - A knowledge graph-enhanced large language model for question answering of hydraulic structure safety.pdf)

这就是你现在最缺的东西：

不是“分类”，而是“递进”。

你现在更像：

A类研究有哪些；
B类研究有哪些；
C类研究有哪些。

最好改成：

原来大家用A解决什么；
A解决之后暴露什么问题；
因此研究开始转向B；
B又解决了什么、还留下什么；
然后才发展到C；
到C之后，与你这个企业场景相比还缺什么。

这才叫脉络。

---

每一小节内部也建议固定一种“段落节奏”

以后不要按照“一篇论文一个小单元”写，而是按照一类研究一个小单元写。

可以固定成这个节奏：

第一句：这一阶段研究主要在解决什么。
中间：把三五篇论文按同类方法合并引用，挑一两篇代表作展开。
然后：比较这一类方法共同解决了什么问题。
最后一句：指出它的共同边界，由这个边界自然引出下一阶段研究。

比如你现在“知识抽取”这一块，可以写成这种感觉：

早期工程维修知识抽取主要依赖领域词典、规则及人工设计特征，优点是领域约束明确，但面对表达变化较大的维修文本时维护成本较高。随着预训练语言模型的发展，研究逐渐转向基于BERT及序列标注模型的自动实体识别与关系抽取，压缩机、电力设备、船舶柴油机等领域均形成了“文本标注—实体关系抽取—知识图谱构建”的技术路线。范岩淼进一步将实体识别、关系抽取、实体对齐和Neo4j存储组织为较完整的故障知识图谱构建流程。此类研究提高了非结构化维修文本的自动处理能力，但普遍需要一定规模的标注语料，其研究重点也更多集中于抽取模型精度。对于企业内部数量有限、表达口语化且还需同时整合厂家资料和规范文本的场景，如何降低标注依赖并处理跨来源术语归一和知识适用边界，成为进一步需要解决的问题。

你看，这里面其实可以塞五六篇论文，但读起来还是一件事。

这和：

Xiao做了……
Meng做了……
范岩淼做了……
郑宇瀚做了……

感受完全不同。

---

还有一个很重要的动作：给文献分“主角”和“配角”

你现在二手资料很多，所以AI很容易犯一个错误：觉得每条资料都要变成正文里的知识。

其实不是。

30多篇文献中，真正值得你展开写的，可能只有 8～10 篇。比如你的综述里，我会让这些成为“锚点”：

Yan / Yao：水务及泵站知识组织；
Ebrahimipour：维修知识表示；
范岩淼 / 郑宇瀚：知识抽取—建图—应用完整硕士路线；
Pan / Peng：KG+LLM、GraphRAG总体发展；
Zhang 2025：最接近的水利工程管理KG+LLM；
Zheng 2025 / Zhang 2026：新一代知识增强应用和实验范式。

其他论文不是不用，而是用来支持一句趋势判断：

“相关研究已在压缩机、航空、电力设备等场景开展探索[××-××]。”

这样30篇都能进参考文献，但正文不会变成30篇摘要拼盘。

你现在AI做的正相反：**把配角全写出了人物小传。**所以自然会越来越厚、越来越平。

我甚至建议你把现在 2.2 开头那段删掉一半

像“本节按……四类研究问题梳理”“每篇文献按主要贡献归入相应小节”“不将不同任务指标直接横向排名”“精读摘要尚未取得原文……”这些其实都是作者的编辑说明，不是开题报告正文。现在这一大段会让读者在还没开始看综述之前，就先看到作者解释自己怎么写综述，很像AI生成的“使用说明书”。(mem_proposal_draft.md)

正式版一句话足够：

围绕供水企业泵阀设备运维知识的组织、构建与应用，现有研究主要涉及设备运维知识管理、多源知识图谱构建以及知识增强问答与辅助决策三个方面。

然后直接进入正文。

---

所以，如果让我给现在这版下一个判断，我会说：

材料是够的，甚至已经偏多；真正需要的不是继续补文献，而是做一次“减法式重构”。

最核心的改法不是润色句子，而是把现在的：

四个研究任务 + 大量单篇评论

改成：

三条文献发展链 + 一次总评收口。

而且每条链内部都按照：

旧方法解决了什么 → 为什么不够 → 新方法怎么出现 → 到你这个场景还差什么

来写。

这样你留下现在大概 70% 的文献，砍掉 25%～35% 的文字，反而会显得比现在更“厚”，因为读者终于能看见你的判断，而不是只看见资料量。

如果继续往下做，我建议下一步不是再讨论抽象结构了，而是我直接拿你现在 2.2.1—2.2.5 这整段，按照上面这个三段式骨架重新拆一次：先只给你“段落提纲 + 每篇文献应该放哪 + 哪些内容删/移/合并”，暂时不润色成稿。这样最容易把脉络先救回来。

这版比上一版顺了不少，但你现在指出的两个问题确实还没有解决，而且我觉得这是目前综述最关键的两个缺口：

第一，技术路线的“选择理由”没有形成。
第二，知识图谱这一块缺一张“领域地图”。

尤其第一个问题，不解决的话，答辩老师很容易问一句：

你为什么不用郑宇瀚、范岩淼这种 BERT-BiLSTM-CRF 路线？为什么突然就跳到 LLM+KG？

你现在的 2.2.2 虽然已经写了“规则词典 → 预训练模型 → LLM”的演进，也提到监督模型需要标注语料、LLM提供新的可能，但只有两三句话，像是在宣布选择，而不是完成论证。(mem_proposal_draft (1).md)

而且这里还有一个很重要的概念问题，需要先彻底捋正。

一、首先不要写成“KG+LLM vs BERT-BiLSTM-CRF”

严格来说，这两个根本不是同一层级的替代方案。

郑宇瀚的论文恰恰就是：

BERT-BiLSTM-CRF + 知识图谱

BERT-BiLSTM-CRF负责的是从文本中识别实体、形成结构化数据；知识图谱负责的是把这些数据组织起来并支撑后续查询应用。他的研究先从1500份环评报告中抽取信息，再构建3440个实体节点、6192条关系的知识图谱，最后开发问答系统。(郑宇瀚 - 基于BERT-BiLSTM-CRF与知识图谱的环评分析方法研究.pdf)

所以你真正需要回答的是两个不同的问题：

问题A：建图时，为什么采用LLM辅助抽取，而不是BERT-BiLSTM-CRF这类监督式抽取？

以及：

问题B：知识建成以后，为什么采用KG+LLM / Hybrid RAG，而不是传统KG查询、LLM-only或者Vector RAG？

这两个问题必须在文献综述里分开论证。

一旦分开，你整个综述会清楚很多。

---

二、你现在2.2.2最大的问题：写了“技术演进”，没写出“路线筛选”

现在这几段的结构是：

规则词典
→ BERT/BiLSTM/CRF
→ LLM出现
→ 人工复核
→ 多源融合。

其实已经接近了，但是缺少一个非常关键的中间环节：

不同方法分别需要什么数据条件，它们为什么适合或不适合你的场景。

你现在写：

“这些研究的共同前提是具备可供监督模型训练的标注语料，而企业口语化运维记录恰恰缺乏这类标注条件。”

这句话方向非常对，但太快了。(mem_proposal_draft (1).md)

应该把它扩成整个小节最重要的一条“筛选链”。

你现有的30篇精读其实已经给了非常好的证据：你整理的同类故障知识抽取研究中，深度学习路线常见的是数千条甚至上万条标注数据，而你这批企业维修事件本身是百余条量级；总结文件也明确把这一点归纳成了“深度学习抽取路线通常依赖3000—11000条量级的标注数据”。(00-合并版-总览与30篇摘要.md)

所以应该写成这样的逻辑：

早期规则方法标注要求低，但规则维护成本高、泛化能力有限；
↓
BERT-BiLSTM-CRF一类监督方法提高了专业文本实体识别能力，在已有大量专业语料的场景中表现成熟；
↓
但这类方法需要事先定义标签体系并形成足够规模的人工标注语料，研究重心通常也是“训练一个高性能抽取模型”；
↓
对XT而言，企业维修事件规模有限，真正需要处理的还是台账、厂家手册、标准规范等多来源、不同文体资料，如果重新建立训练集，其标注工作会成为一个独立的大型研究任务；
↓
因此近年的LLM辅助抽取提供了另一条路线：固定schema和输出约束，利用零样本/少样本语义理解完成结构化抽取，降低专门训练模型的要求；
↓
但LLM并不是天然更准确，仍存在漏抽、误抽和推断不存在事实的问题；
↓
因此你的选择不是“LLM先进，所以淘汰BERT”，而是
“LLM辅助抽取 + 固定schema + 人工金标评价 + 人工审核”更符合本研究的小样本、多文体和持续新增资料条件。

这一点特别重要。

因为你那8篇前沿论文里面其实还有一个非常好的“反证”：Zhu的实验说明LLM作为少样本信息抽取器并不是无条件强，专业抽取任务上仍可能明显落后于专门模型。(00-合并版-总览与8篇摘要.md)

这反而让你的论证更成熟：

我不声称LLM比BERT抽得准；我选择它，是因为本研究的目标不是训练一个NER算法，而是在有限标注条件下形成可持续运行的知识构建流程，并通过金标数据正式验证它是否够用。

这个说法比“BERT上一代、LLM新时代”强太多，也更抗答辩。

---

三、所以我建议把2.2.2标题直接改掉

现在叫：

2.2.2 多源运维知识的抽取、表示与融合研究

我建议改成：

2.2.2 运维知识图谱构建与知识抽取方法研究

或者更明确一点：

2.2.2 领域知识图谱构建及知识抽取方法演进

然后内部不要平铺“抽取—融合—更新”，而是分成一个很明确的历史演进。

我建议这一节按五段写。

第一段先讲：

什么叫你这里要构建的知识图谱。

这里把梁钰那块重新拿回来。

你上一版其实有一段很好，后来被删掉了：知识图谱不是一个单一东西，至少要先区分通用知识图谱和领域知识图谱。梁钰的综述也是专门把“领域知识图谱”和“科学知识图谱”分开梳理，且领域图谱部分继续分析实体识别、关系抽取等不同方法。(30篇国内研究生简介.txt)

这对你非常重要，因为你自己说得特别准确：

“不是看了梁的文章，我都不知道还有这么多种知识图谱。”

那老师也可能一样。

所以综述不能一上来默认：

“知识图谱大家都知道是什么。”

而应该先把你放到地图上：

知识图谱按照覆盖范围可分为通用知识图谱和领域知识图谱。通用图谱强调广泛概念覆盖，而领域知识图谱围绕特定业务对象建立较严格的概念、关系和属性体系。设备运维知识图谱属于后者，其重点不是扩大节点数量，而是保证设备、部件、现象、原因、措施等知识之间的专业关系及适用边界。

然后再说：

领域图谱构建一般涉及模式设计、知识抽取、知识融合和知识存储等环节。

这两句话一放，读者才知道：

你做的是哪一种KG，为什么不是Google那种KG。

---

第二段：

规则/词典阶段。

简单写，Ebrahimipour、Bhardwaj做代表。

不要铺太多。

---

第三段：

监督学习/深度学习阶段。

这里郑宇瀚、范岩淼应该成为真正的“主角”。

尤其可以非常明确地写：

郑宇瀚：

环评 → 1500份文档 → BERT-BiLSTM-CRF → KG → 问答。

范岩淼：

多源故障资料 → BERT-BiLSTM-MHA-CRF + BERT-Biaffine → 实体对齐 → KG → 后续诊断。

范的路线本身就是“多源资料—本体—抽取—对齐—存储”的完整知识图谱构建链。(范岩淼 - 2026 - 基于知识图谱的船舶柴油机故障诊断和系统开发.pdf)

然后不要马上评价“过时”，而是非常中性地总结：

这类路线的优势在于抽取任务定义清晰，能够以P/R/F1对专门模型进行严格评价；不足在于需要建立较大规模、较稳定的标注数据集，而且当知识来源、模式或实体类型发生变化时，通常需要重新标注或调整模型。

这样才自然。

---

第四段：

LLM辅助知识构建阶段。

这里不要只靠范岩淼综述中的一句二手总结。

应该换成：

Text2KG、Zhang 2026一类方法

• LLM×KG综述
• Zhu关于LLM抽取能力边界的评测。

核心不是写“LLM更强”。

核心写：

方法范式从“训练领域抽取模型”逐渐出现了“通用大模型 + schema/prompt约束 + 少量人工复核”的另一类建图方式。

然后马上加一句制衡：

这种方法减少了针对单一领域训练专门模型的要求，但其输出稳定性、事实忠实性和领域术语处理能力不能默认可靠，因此人工金标评价、证据保留和审核机制仍然必要。

这正好推出你。

---

第五段才进入：

为什么本研究选LLM辅助，而不重新训练BERT-BiLSTM-CRF。

这段建议一定要直接说，不要羞羞答答。

大概可以写成这种结构：

综合已有研究，两类路线的差异并非简单体现为模型先进程度，而主要体现在数据条件与研究目标。BERT-BiLSTM-CRF等监督式方法适合标签体系相对稳定、能够形成较大规模标注语料，并以抽取算法性能为主要研究对象的场景；LLM辅助抽取则更适合知识类型需要反复试验、语料来源差异较大且难以形成大规模标注集的条件。本研究现有企业维修事件规模有限，同时拟整合厂家手册、标准规范及公开专业资料，研究重点也在多源知识组织、融合及后续辅助使用，而非提出新的实体识别算法。因此，拟采用固定schema、固定prompt和人工校核的LLM辅助抽取方式，并通过人工金标集评价其实体和关系抽取质量。

这才是真正的方法选择论证。

而不是：

“现在LLM比较火，所以用LLM。”

---

四、你说“知识图谱种类没讲”，我也同意

现在这一版从知识管理直接跳到：

Yan水务图谱、Yao泵站图谱。(mem_proposal_draft (1).md)

对于已经懂KG的人完全没问题。

但对于MEM老师来说，他可能会问：

知识图谱到底是什么？
为什么一定要领域图谱？
跟关系数据库有什么区别？
你这个算什么类型？

所以我建议增加一个非常短的“定位段”，而不是再加一章理论史。

放在2.2.1梁钰之后或者2.2.2开头即可。

建议只说明三个东西：

• 通用KG vs 领域KG：你的属于领域KG。
• 领域KG不是一个固定模板：它需要围绕使用场景定义schema、本体、实体和关系。
• 构建路线有差异：有些以已有结构化数据映射为主，有些从文本自动抽取，有些两者结合；你的属于“模式约束 + 多源文本抽取 + 人工融合”的路线。

够了。

不要在开题里把：

DBpedia、YAGO、Freebase、SciGraph、AceKG、OAG……

全部讲一遍。

梁钰之所以能讲很多，是因为她自己的论文研究对象就是“科技知识图谱”，所以她必须把科学KG家族系统梳理。你的对象不是KG本身，而是供水企业维修知识管理。

所以你要学她的“先画地图再定位自己”，而不是复制她的百科全书。

---

五、2.2.3也还少一个重要台阶：传统KG应用 → RAG → KG+LLM

现在2.2.3开头是：

“结构化知识要产生管理价值……”
然后很快进入Lewis RAG。(mem_proposal_draft (1).md)

这就导致另一个跳跃：

前面刚刚辛辛苦苦建完KG，为什么突然跑去讲Vector RAG？

我建议补一个过渡层。

正确的历史/功能链应该是：

KG建好了
→ 最早通过Cypher、规则匹配、模板式QA、语义匹配等方式查询
→ 这些方法能够利用结构关系，但自然语言理解和开放式回答能力有限
→ LLM出现以后，可以负责理解问题和组织答案
→ 但LLM自身缺企业私有知识，产生LLM-only问题
→ Vector RAG可以把企业材料检索进来
→ 但向量检索主要依赖片段相似度，对设备—部件—现象—原因—措施这种显式关系利用有限
→ KG可以补充结构关联和来源路径
→ 所以出现KG-enhanced LLM / GraphRAG / Hybrid RAG。

这样，KG+LLM就不是突然出现的组合拳，而是前一代方案的自然结果。

Zhang 2025其实就是这么写的。

它先讲文本挖掘，指出“抽出来但没组织好”；再引出KG；然后指出“KG建好了但如何反馈进管理仍不足”；再引出QA；再指出传统QA和普通RAG的问题；最后自然走到KG+LLM。(Zhang 等 - 2025 - A knowledge graph-enhanced large language model for question answering of hydraulic structure safety.pdf)

这就是你最应该模仿的地方。

---

六、所以你的综述最终最好形成“两条技术演进线”

这个我觉得是这次修改最重要的结构调整。

你目前是一条：

管理问题 → KG构建 → KG+LLM应用。

我建议变成一条管理主线，里面嵌两条技术线。

第一条：建图方法演进

人工规则/词典
→ CRF / BiLSTM
→ BERT-BiLSTM-CRF等监督方法
→ LLM零/少样本辅助抽取
→ 本研究：LLM辅助 + schema约束 + 人工校核

回答：

为什么不用BERT-BiLSTM-CRF。

---

第二条：知识使用方法演进

静态KG查询/模板QA
→ LLM-only
→ Vector RAG
→ KG-enhanced LLM / GraphRAG / Hybrid RAG
→ 本研究：通过先导实验决定具体结合方式

回答：

为什么不是只建KG，为什么不是普通RAG，为什么还要LLM。

这样你整个技术路线都有出处了。

---

七、2.2.4也建议从“四个不足”改成“两项方法选择 + 两项场景缺口”

你现在2.2.4列的四点其实没错：技术审核、跨来源融合、图增强增益、更新。(mem_proposal_draft (1).md)

但它还没有把前面最重要的“为什么选这条技术路线”收回来。

我会改成：

第一，知识构建方法的适配问题。
已有监督学习方法在有充足标注数据的专业文本中具有良好性能，但本研究语料规模较小、来源差异较大，且知识schema尚需通过样本迭代确定。因此，本研究不以重新训练专门NER/RE模型为重点，而拟采用LLM辅助抽取并通过金标集评价其可靠性。

第二，知识接入方式的增量价值问题。
普通向量RAG具有实现简单和知识更新方便等优点，但泵阀管理问题往往涉及设备、部件、故障、原因、措施之间的多实体关联，因此图谱关系可能提供额外信息；这种优势不能预设，需要通过Vector RAG与KG增强方法的同条件比较验证。

第三，多源知识融合问题。
企业记录、厂家建议和标准要求语义性质不同，需要来源、适用对象、版本和证据保留。

第四，企业知识持续更新问题。
现有工作多为一次性建图，本研究拟结合月度台账研究人工审核后的持续积累。

这四条就会非常有力量。

因为它们不是：

“现有研究还不够，所以我要做。”

而是：

我读完文献以后，为什么作出了这四个研究设计选择。

这才是好综述。

---

八、我给你一个最具体的修改清单

如果下一版让AI改，我会直接下这种命令：

1. 保留2.2.1主体，但增加一段“知识图谱类型与本研究定位”，明确通用KG/领域KG，本研究属于面向泵阀运维的领域KG；不要扩写成理论教材。

2. 重写2.2.2，不再用“BERT路线需要标注—LLM提供可能”一句带过。 按“规则词典 → 监督式深度学习 → LLM辅助抽取”形成三代演进，每代回答“解决了什么—需要什么数据—仍有什么限制”。

3. 郑宇瀚和范岩淼放在监督式知识抽取的代表位置，明确BERT-BiLSTM-CRF只是知识抽取器，不把它写成KG+LLM的平行竞争方案。

4. 新增一整段方法选择判断：为什么本研究不重新训练BERT-BiLSTM-CRF；理由限定为“样本及标注条件、资料异构性、schema仍需迭代、研究重点不在抽取算法创新”，不得写“BERT已经过时”。

5. LLM抽取部分必须同时写优点和风险：零/少样本、模式约束、免专门训练；同时说明不能默认准确，需要人工金标和人工审核。不要写成“LLM必然优于传统模型”。

6. 重写2.2.3的前半段，增加“传统KG查询/知识问答 → LLM → Vector RAG → KG+LLM”的发展链。让KG+LLM成为自然推演结果，而不是突然出现。

7. 2.2.3必须分别回答三个Why： 为什么不是LLM-only；
   为什么不是仅Vector RAG；
   为什么KG可能有额外价值。
   最后仍然保留“需实验验证，不能预设KG优于Vector RAG”。

8. 2.2.4改成“两个方法选择+两个企业场景问题”，直接对应： LLM辅助抽取； KG/Hybrid知识接入； 多源融合； 增量更新。

我觉得这次再改，不要继续追求“文献更多”。

你现在32篇已经够撑结构了。真正欠缺的是：

让文献替你的技术选择作证。

这也是你目前这版和真正成熟综述之间最大的差距。现在已经能看出“前人做了什么”，下一步要做到的是读完以后读者能够自然得出：

所以，在你这套数据条件和研究目标下，重新训练BERT-BiLSTM-CRF不是最合适的主线；领域KG仍然有必要；LLM适合承担抽取和生成，但必须被证据与人工审核约束；KG到底比Vector RAG多多少价值，要留给实验回答。

一旦这句话能从综述里自己“长出来”，你的文献综述就基本立住了。

对。你现在真正缺的已经不是“综述怎么写”，而是一套能从研究问题推到技术路线的决策逻辑。

而且这个逻辑不能是：

我看见郑宇瀚用了 BERT-BiLSTM-CRF；
又看见 Zhang 用了 KG+LLM；
后来又发现 GraphRAG；
感觉后者更新，所以我选后者。

这条路你自己知道是怎么走过来的，但答辩时不能这么说。你需要把探索过程重新整理成一条可论证的研究设计逻辑。

先说一个很关键的判断：你不需要假装自己一开始就“理论推导”出了 KG+LLM。应用型硕士的技术路线，本来就通常是由研究目标、问题性质、数据条件、已有方法和可验证性共同筛选出来的。你真正需要补的是“为什么这个方案与我的问题最匹配”，而不是编造一个从第一天就完美演绎出来的故事。

你现在稿子其实已经有这些原材料，只是散落着。比如你的问题是“知识分散、企业样本有限、外部知识孤立、持续更新困难”，而不是设备状态预测；你已有资料主要是台账、厂家资料、标准规范等文本。(mem_proposal_draft (1).md) 你的目标任务也已经明确成历史案例查询、故障相关知识查询、厂家规范查询和技术审核辅助，而不是输出唯一根因、寿命或自动审批。(mem_proposal_draft (1).md)

所以真正的路线应该从这里推。

---

一、先别想“用什么技术”，先把你的问题压缩成四个要求

你的课题其实只有四个方法要求。

第一，要把分散文本变成可复用知识。

因为输入不是连续传感器，而是：

维修台账、手册、标准、案例。

所以第一类工作一定属于文本知识获取，而不是时序预测、RUL、异常检测。

第二，要把不同来源之间的关系保存下来。

你不是只想搜到一段话，还需要知道：

什么设备
→ 什么部件
→ 出现什么现象
→ 哪些可能原因
→ 有什么措施
→ 这个结论来自企业案例、厂家还是标准
→ 适用于什么型号和条件。

所以必须有一个显式知识组织层。

第三，要让技术人员可以自然语言使用这些知识。

管理人员不会写 Cypher，也不希望只看到三元组，因此需要一个：

问题 → 找知识 → 组织成答案

的使用层。

第四，知识以后还会增加。

每个月还有维修台账，所以最好不要设计成：

每新增一批资料就重新训练整个模型。

这四条一确定，技术选择其实就已经被压缩很多了。

---

二、第一轮筛选：为什么你的母题不是“设备智能诊断”

这个其实应该成为你整个技术路线的第一道分叉。

可以把所有相关研究先分成两大类：

A. 数据驱动的设备状态研究

输入：

传感器、振动、电流、温度、历史故障标签、时序数据。

典型任务：

故障分类、异常检测、RUL、预测性维护。

B. 知识驱动的运维知识管理

输入：

维修记录、手册、规范、案例、人员经验文本。

典型任务：

知识提取、组织、查询、复用、辅助分析。

你的数据和研究目标显然属于 B。

你现在稿子里已经意识到了这一点：水务设备研究中，一类是基于监测和时序信息的数字孪生、分类和寿命预测，另一类才是专业知识组织；你的资料条件属于后者。(mem_proposal_draft (1).md)

这其实应该成为你答辩时的第一层选择理由：

“本研究首先不是在几种AI算法中选算法，而是根据研究对象和数据形态确定研究范式。现有资料以非结构化和半结构化运维知识为主，不具备状态预测所需要的连续监测与大规模故障标签，因此研究定位为维修知识管理与知识辅助，而非故障预测。”

这一下你就站稳了。

---

三、第二轮筛选：既然是知识管理，为什么不是“文档库 + 搜索”，而是需要 KG？

这是你真正需要想清楚的第二步。

假设先不用KG，最简单的方法是什么？

把维修台账、厂家手册、规范全存起来，做关键词搜索或者向量搜索。

它可以解决：

“有没有相关文档？”

但是你的问题不仅是找到文档。

举个最典型的：

“某类阀门出现定位异常，以前有哪些案例？可能涉及什么部件？厂家怎么要求？规范有没有相关要求？”

答案可能横跨：

• 一条历史维修记录；
• 一份厂家说明书；
• 一个部件名称；
• 一个故障现象；
• 若干检查措施；
• 一个规范条款。

所以你的核心需求不是纯粹的：

文档相似性检索

而是：

跨来源知识关联。

这才是KG存在的真正理由。

因此KG的选择逻辑不应该写：

“知识图谱具有语义表达能力，所以采用知识图谱。”

太空。

应该是：

本课题需要同时保留设备—部件—现象—原因—措施之间的关联，以及知识来源、型号和适用条件。普通文档检索能够保存原文，但难以显式维护上述跨文档关系；传统关系表可以保存字段，但面对多种对象、多对多关系和不断增加的知识类型时表达较为僵硬。因此，本研究考虑采用领域知识图谱作为知识组织层。

注意这里是：

任务要求 → 表达要求 → KG。

而不是：

KG很先进 → 所以我要用。

你现在稿子里其实已经把KG真正应该解决的问题写出来了：故障部件、失效模式、根因不能混在一起，企业事实、厂家建议、标准要求也不能混在一起。(mem_proposal_draft (1).md)

这才是你的“为什么KG”。

---

四、第三轮筛选：决定用KG以后，才出现“怎么建KG”的问题

这时才轮到 BERT-BiLSTM-CRF 和 LLM。

这也是你之前一直感觉别扭的根源：

你把“为什么用KG”和“为什么不用BERT”混成了同一个选择。

实际上完全不是。

先决定：

我需要一个领域KG。

然后才问：

怎么把文本里的知识抽出来？

这里有三条主要路线。

路线1：规则、词典

优点：

数据少也能做，可解释。

问题：

多来源文本表达变化太大，规则维护量高。

所以不是主路线，但可以用于术语归一或约束。

---

路线2：监督式NER/RE

比如：

CRF
BiLSTM-CRF
BERT-BiLSTM-CRF
BERT-Biaffine。

郑宇瀚、范岩淼就是这一路。

这条路线本身完全合理。

但它最适合的研究条件是：

标签体系相对稳定；
有条件构建较完整标注集；
“实体/关系抽取模型性能”本身是论文的重要研究问题。

而你不是。

你真正想研究的不是：

“怎么把实体识别F1从88%做到91%？”

而是：

“小样本企业资料如何跟厂家、规范知识融合，并最终用于管理查询？”

这就是关键区别。

---

路线3：LLM辅助结构化抽取

它的优势不是“算法一定更准”。

而是：

不需要为每个知识类型重新训练专门模型；
schema调整后可以直接重新抽取；
能处理台账、说明书、规范等文体差异较大的文本；
更适合一个仍在迭代知识模式的小型企业案例。

但它有明显代价：

稳定性和忠实性不能默认可靠。

所以你才需要：

固定schema

• 固定prompt
• 人工金标评价
• 最终人工审核。

你当前研究方案其实已经是这个设计：自动抽取结果单独评价，审核后的知识再用于正式建图，两个结果不混在一起。(mem_proposal_draft (1).md)

所以答辩时最好不要说：

“因为LLM比BERT先进。”

而说：

“BERT-BiLSTM-CRF并非不适用，而是它对应的是监督式专业抽取模型研究。本研究企业事件规模有限、语料类型异构，且知识schema需要通过业务样本迭代；同时研究重点在多源知识融合与使用，而不是信息抽取算法创新。因此采用LLM作为辅助抽取工具，再通过人工金标和审核控制可靠性。”

这就很稳。

---

五、第四轮筛选：建好KG以后，为什么还需要LLM？

这又是一个独立问题。

假设KG已经建好了。

最传统的方法就是：

用户选菜单 / 输入固定句式
→ 意图识别
→ Cypher
→ 返回图谱节点。

这个方法对封闭问题很好。

但你的目标问题其实比较开放：

“这次现象可能涉及哪些部件？”
“以前类似问题是怎么处理的？”
“结合厂家和规范，有哪些应该核对？”

这些答案不是一个节点、一条边就能回答的。

所以需要一个：

答案组织器。

LLM在你这里最合理的定位并不是“知识库”。

而是：

自然语言理解 + 答案组织工具。

知识本身尽量来自外部证据。

这就自然推到RAG。

---

六、第五轮筛选：既然有RAG，为什么还要研究KG增强？

这一点其实你现在已经设计得很对，但叙事顺序反了。

不能先宣布：

我要KG+RAG。

而应该：

最简单方案

LLM-only

问题：

不知道XT内部历史、厂家手册、企业资料。

所以要外接知识。

↓

第二个方案

Vector RAG

优点：

简单、成熟、更新方便。

它应该是你的强基线，不是被你批判掉的落后技术。

但你的任务有一个假设：

某些查询需要跨实体、跨来源关联，而不仅是找到语义最接近的片段。

所以提出一个待验证的问题：

显式的图关系到底能不能带来额外价值？

于是才有：

Vector RAG
vs
KG-enhanced / Hybrid RAG。

你现在实验二其实已经把这个问题设计得很漂亮：同一测试问题、同一LLM、同一知识来源，比较LLM-only、Vector RAG、KG增强和Golden Context。(mem_proposal_draft (1).md)

所以，这里其实不是：

“我已经证明KG+LLM最好，所以我要做KG+LLM。”

而是：

“基于任务特征，我有理由怀疑图关系可能有增量价值，因此把它设为需要实验检验的研究假设。”

这一句会让你的论文成熟很多。

甚至以后如果实验结果：

Vector RAG ≈ KG-RAG，

论文也不崩。

因为你的研究问题本来就是：

KG到底什么时候有用。

你现在自己已经写了“若M2相对M1无明显收益，也如实报告”，这个设计非常正确。(mem_proposal_draft (1).md)

---

七、最后一步：为什么还要做持续更新？

这一步就更自然了。

因为你的管理问题不是做一个静态Demo，而是：

企业每个月还在继续产生维修记录。

所以有两条技术路线：

方案A

不断重新训练领域模型。

方案B

模型基本冻结，更新外部知识库。

你的数据是：

少量、持续到来。

所以B天然更合适。

因此：

新台账
→ 抽取
→ 审核
→ 归一
→ 入图
→ 更新索引

比在线训练一个NER/LLM更符合企业实际。

你当前技术路线已经是这个逻辑。(mem_proposal_draft (1).md)

---

所以你真正的“正规推导”其实只有这一条

我把它压缩到最核心：

研究问题：
企业运维知识分散、样本稀疏、来源异构、难以持续复用。

↓ 数据判断

现有核心资料是台账、手册、规范等文本，而非大规模连续传感数据。

↓ 研究范式

因此研究对象是“维修知识管理”，而不是故障预测。

↓ 知识组织要求

查询任务涉及设备、部件、故障、原因、措施及来源之间的跨文档关联，仅文档存储不足以显式组织这些关系。

↓

采用领域知识图谱作为知识组织形式。

↓ KG怎么构建

规则方法维护成本高；监督式BERT类抽取需要稳定标签和较多标注语料，而本研究语料小、来源异构、schema还需迭代。

↓

采用LLM辅助结构化抽取，但通过金标评价和人工审核控制质量。

↓ KG怎么使用

传统图谱查询难以支持开放自然语言问题；LLM可承担问题理解和答案组织，但自身缺企业知识。

↓

引入外部知识检索。

↓

Vector RAG是最自然基线；考虑到运维问题存在显式实体关系和跨来源关联，再研究KG增强是否有增量价值。

↓

通过LLM-only / Vector RAG / KG-enhanced / Golden Context对照，而不是预设KG一定胜出。

↓ 持续积累要求

企业知识不断新增，优先更新外部知识库而非持续训练模型。

↓

形成“抽取—审核—融合—入图—检索—验证—更新”的闭环。

这就是你整篇论文应该共享的母逻辑。

---

这也解释了为什么你现在文献综述会很长

因为你现在在试图让文献综述承担：

什么是知识管理；
什么是水务；
什么是KG；
KG有多少类型；
NER发展史；
LLM发展史；
RAG发展史；
GraphRAG发展史；
各论文分别做了什么……

当然会越来越长。

实际上综述只需要为上面那条决策链提供证据。

你不用介绍整个领域。

---

所以我现在反而建议把2.2砍成三节，而且明显缩短

2.2.1 运维知识管理与领域知识图谱研究

只证明两件事：

工程运维确实存在知识分散和复用问题；
领域KG适合组织设备—部件—故障—措施这类关联知识。

结束。

---

2.2.2 运维知识图谱构建方法研究

只讲：

规则/词典
→ 监督式BERT类抽取
→ LLM辅助抽取。

最后落一句：

不判断谁绝对更优，而根据本研究小样本、多源异构、schema需迭代的条件，选择LLM辅助+人工审核。

结束。

---

2.2.3 知识增强查询与辅助应用研究

只讲：

KG查询
→ LLM
→ Vector RAG
→ KG-enhanced / Hybrid。

最后落一句：

现有研究提示图结构可能改善关联知识检索，但对本研究场景是否有增量价值尚不能预设，因此采用对照实验确定。

结束。

---

2.2.4 研究评述

甚至只要三段。

不是四大“研究不足”。

而是：

根据问题和数据，确定研究范式；
根据建图条件，确定抽取路线；
根据使用任务，提出待验证的知识接入路线。

这样你这部分估计能从现在约3500字压到 2000～2500字，而且逻辑反而更强。

---

更重要的是，这条逻辑以后能直接拿去答辩

老师问：

“为什么做知识图谱？”

你答：

因为我的问题不是单篇资料检索，而是企业案例、厂家资料和规范之间围绕设备—部件—故障—措施形成跨来源关联，同时还要保留来源和适用条件，所以需要显式知识组织层；领域知识图谱是候选方式，后续还会通过与普通向量检索的比较检验它的实际价值。

老师问：

“为什么不用BERT-BiLSTM-CRF？”

你答：

它是成熟的监督式抽取方法，郑宇瀚、范岩淼的研究也证明了其有效性。但我的企业记录规模有限，资料还包括厂家手册和规范等不同文体，schema也需要随样本迭代；如果采用监督模型，论文会转向大规模标注和抽取算法训练，而这并不是本研究的核心问题。因此我采用LLM辅助抽取，并通过人工金标和审核验证可靠性。

老师问：

“为什么还需要LLM？”

你答：

KG负责存储显式专业知识，LLM主要负责理解自然语言问题和组织答案，不把模型参数知识作为企业事实来源。

老师问：

“普通RAG不就行了吗？”

你答：

可以，所以它正是主要基线。本研究并不预设KG增强一定更好，而是考虑到部分维修问题需要沿设备—部件—故障—原因—措施关系跨资料查找，因此设置Vector RAG和KG增强的同条件对照，检验图关系有没有真实增量。

这四个问题你能顺下来，开题的技术路线就真正属于你自己了。

你现在最值得做的也不是再让AI“润色一版综述”。下一步应该先把这条方法选择逻辑固定下来，再反过来删综述：** 不能支撑这条决策链的文献，要么一句带过，要么移到第二章理论基础，要么直接删。**这样才会真正解决你说的“一路都影响”的问题。

对，KG+LLM/GraphRAG 确实比 BERT-BiLSTM-CRF 更接近当前知识增强应用的前沿方向。你之前那个 AI 的大方向没有错，问题是它把“前沿趋势”说成了“技术淘汰”，而且把两个不同层级的技术拿来直接比较了。

BERT-BiLSTM-CRF解决的是文本中的实体识别；KG+LLM解决的是领域知识如何组织、检索并进入大模型回答。郑宇瀚自己的实验也说明，BERT-BiLSTM-CRF在NER上并没有失效：其原模型F1为88.0%，优化后达到91.3%，稳定性也优于若干通用大模型。(郑宇瀚 - 基于BERT-BiLSTM-CRF与知识图谱的环评分析方法研究.pdf) 更能说明问题的是 Zhang 2025：这篇很新的 KG+LLM 工程论文，建图阶段照样专门训练PFKAN抽取模型，图建好以后才用KG增强LLM回答。因此，真正发生的变化不是“LLM已经把BERT淘汰”，而是研究重心正从单纯优化信息抽取模型，进一步走向“知识库/知识图谱 + LLM”的知识增强与应用。(Zhang 等 - 2025 - A knowledge graph-enhanced large language model for question answering of hydraulic structure safety.pdf)

你之前那段话里，“上一代”“最佳补丁”“今天最热答案”“毕业时大概率还是主流”这些表达都偏主观。更学术一点应该说：

近年来工程知识智能研究呈现出由专门监督模型驱动的知识抽取，向大语言模型辅助知识构建以及外部知识增强生成拓展的趋势；其中，KG-enhanced LLM、GraphRAG和混合检索成为知识密集型工程任务的重要研究方向。

这个结论是站得住的。你整理的Zheng 2025已经展示了“小型KG+免微调LLM”的路线；BifrostRAG则在其OSHA多跳问答实验中取得F1 87.3%，高于Vector RAG的75.0%和纯Neo4j Graph RAG的56.5%。但你的资料也明确提醒：它的文档导航图依赖法规条文结构，不能直接移植到维修台账。(00-合并版-总览与30篇摘要.md)

所以我现在会把你的路线表述成一句很关键的话：

选LLM+KG，是因为它既代表近期知识增强研究的发展方向，又与本研究“小样本、多来源、需要知识更新和自然语言使用”的数据与任务条件相匹配；但不据此宣称其在所有环节都优于BERT类模型或普通RAG，而通过实验验证其在本场景中的实际价值。

这样“先进性”和“研究严谨性”就同时保住了。

下面这版，我认为比现在稿子更适合你。它不是把30篇文献都塞进去，而是专门服务于**“为什么最后走到这条路线”**。你现在的稿子已经把内容分成知识管理、抽取融合、KG+LLM三块，但每块都塞得比较满，尤其2.2.2和2.2.3已经明显有“文献清单化”的趋势。(mem_proposal_draft (1).md)

---

2.2 国内外研究现状与工程应用现状

围绕供水企业泵阀设备运维知识的管理与利用，本研究需要解决三个相互衔接的问题：一是分散于维修记录、厂家资料和标准规范中的知识如何统一组织；二是多源文本中的专业知识如何以较低成本、较高可靠性转化为结构化知识；三是组织后的知识如何进入自然语言查询和技术管理辅助过程。现有研究也大致沿着知识组织、知识构建和知识增强应用三个方向发展。

2.2.1 设备运维知识管理与领域知识图谱研究

工程设备运维知识具有明显的经验性和分散性。维修记录、技术手册、标准规范以及人员经验往往由不同岗位分别掌握，传统文档管理能够保存资料，但难以揭示不同资料之间围绕设备、部件、故障和处置措施形成的关联。已有工程知识管理研究因此逐步由文档存储与知识库建设转向更加结构化的知识组织方式[1-5]。

知识图谱为此提供了一种可行的组织形式。与强调广泛知识覆盖的通用知识图谱不同，领域知识图谱围绕特定业务任务定义实体、关系和属性，更重视专业知识的准确性和关联性[3]。在水务领域，Yan等构建水务知识图谱，将行业标准、数据库和非结构化资料纳入统一概念体系[8]；Yao等进一步面向泵站运维，将设备、巡检、故障现象、原因和处置策略等知识进行关联，并利用图谱支持运行规范查询和故障分析[9]。相关研究表明，知识图谱能够作为水务设备知识组织和复用的载体。

不过，本研究所面对的问题较已有水务图谱更加具体：企业维修记录表达口语化、历史案例数量有限，同时还需要整合厂家建议和标准要求。不同来源知识不能简单合并，例如企业某次维修措施属于历史事实，厂家手册属于专业建议，标准条款则具有明确的适用范围。因此，本研究采用领域知识图谱的主要目的，不是追求图谱规模，而是显式组织“设备—部件—现象—原因—措施”等关系，并保留知识来源和适用条件，为后续跨来源查询提供基础。

2.2.2 运维知识图谱构建与知识抽取方法研究

领域知识图谱构建首先需要从专业文本中获取实体和关系。早期方法主要依赖领域词典、人工规则和统计特征，这类方法可解释性较强，但面对维修记录中大量非规范表达时，需要持续维护规则和词典[10-11]。随着深度学习和预训练语言模型的发展，基于BiLSTM-CRF、BERT-BiLSTM-CRF等模型的监督式知识抽取逐渐成为专业文本处理的重要路线。

这一技术路线已在设备维修和工程管理领域得到较充分验证。压缩机、飞机和船舶柴油机等研究均利用监督学习模型识别故障实体和关系[12-14]；郑宇瀚基于BERT-BiLSTM-CRF从1500份环评报告中抽取关键信息，并进一步构建知识图谱和问答系统[15]。此类方法的优势是任务边界明确、评价体系成熟，在已有较充分标注数据时能够取得稳定效果。但其基本流程需要先确定标签体系并构建训练语料，当领域知识类型、文本来源或抽取目标发生变化时，通常需要进一步补充标注和训练。

近年来，大语言模型为领域知识抽取提供了另一种实现路径。相关研究开始利用提示词、模式约束和零样本或少样本推理直接输出实体关系及三元组，并将大语言模型用于知识图谱增量构建[20]。工程知识图谱综述也将LLM辅助知识抽取与人机协同校核视为降低领域图谱构建成本的潜在方向[19]。但大语言模型的抽取结果并非天然可靠，已有评测表明其少样本信息抽取能力在部分任务上仍可能低于专门训练模型，因此需要通过人工标注样本和一致的评价标准检验抽取质量。

由此看，监督式BERT类模型与LLM辅助抽取并非简单的新旧替代关系，而对应不同的数据和研究条件。本研究现有企业维修案例数量有限，且拟同时处理维修台账、厂家手册和标准规范等不同类型文本，知识模式还需结合业务样本逐步修订；同时，论文重点在多源知识融合与后续知识利用，而不在提出新的实体识别算法。因此，本研究拟采用“固定知识模式和提示词—LLM辅助抽取—人工金标评价—人工审核入图”的方法，将抽取模型作为知识构建工具，而将研究重点放在抽取结果的可靠性、实体归一和跨来源知识融合上。

2.2.3 知识图谱与大语言模型的知识增强应用研究

知识图谱完成构建后，还需要解决知识如何被使用的问题。早期知识图谱应用主要依靠图查询、规则匹配或模板式问答实现知识检索，能够利用实体关系，但对开放式自然语言问题的理解和答案组织能力有限。大语言模型出现后，其较强的语言理解和生成能力为专业知识问答提供了新的工具，但通用模型并不掌握企业内部维修记录和特定设备资料，并存在领域知识不足和无依据生成等问题。

检索增强生成通过在推理阶段引入外部资料缓解上述问题[22]。普通Vector RAG主要依据文本语义相似度检索原始文档，具有实现简单、资料更新方便等特点，但对于需要同时关联设备、部件、故障、原因和措施的复杂问题，仅依赖文本片段相似度可能难以完整取得相关知识。知识图谱能够保存实体之间的显式关系，因此，近年来研究开始探索将图谱检索结果作为外部知识输入大语言模型，由知识图谱负责领域知识的组织和关联，由大语言模型负责问题理解和答案生成[23-24]。

这一方向已逐步进入工程管理领域。Zhang等面向水工结构安全管理，将专业知识图谱检索到的领域知识注入大语言模型，用于生成管理问答结果[29]；Zheng等利用小规模嵌套合同知识图谱增强大语言模型进行合同风险识别[30]；BifrostRAG则进一步将图关系检索与向量检索结合，在建筑安全多跳问答中取得优于单独Vector RAG和纯图检索的结果[32]。这些研究说明，KG+LLM及混合检索已经成为工程知识密集型任务中值得关注的发展方向，但不同任务所依赖的图结构和检索机制具有明显领域特征，不能直接将某一种GraphRAG框架移植到设备维修场景。

因此，本研究不预先设定复杂的GraphRAG结构，而将普通Vector RAG作为主要参照，在相同知识来源和回答模型条件下，通过先导实验比较图谱检索、向量检索及二者结合的方式。其核心问题不是证明知识图谱在所有查询上均优于向量检索，而是检验对于涉及设备—部件—故障—措施关联以及跨来源知识组合的任务，显式图关系是否能够提高证据召回、事实完整性和回答可追溯性。

2.2.4 研究现状评述与本研究切入点

总体来看，设备运维知识研究已经形成从知识组织、自动抽取到知识增强应用的发展链条。一方面，领域知识图谱能够将分散的设备知识转化为具有明确关系的结构化知识；另一方面，知识抽取方法正在由高度依赖领域标注数据的监督式模型，拓展至LLM辅助抽取和人机协同构建；在知识使用阶段，研究重点也由静态图谱查询逐渐转向Vector RAG、KG-enhanced LLM及混合检索。

结合供水企业的实际资料条件，本研究的切入点主要体现在三个方面：其一，在企业历史案例有限的情况下，将企业维修记录、厂家知识和标准规范纳入统一但保留来源差异的知识体系；其二，不重新训练专门的实体识别模型，而采用LLM辅助抽取与人工校核结合的轻量知识构建方式，并独立评价其可靠性；其三，以Vector RAG为参照，实验检验知识图谱关系在维修知识查询和技术管理辅助中的增量价值，并利用后续新增维修台账形成可持续更新流程。上述方法选择均服务于企业维修知识的组织与复用问题，不将模型或图谱技术本身作为独立研究目的。

---

我比较推荐这一版的原因是：它真正形成了四次“所以”：

知识分散且关系复杂 → 所以用领域KG组织；
KG需要从多源文本建起来 → 所以研究抽取方法；
监督模型成熟但与你的数据和论文重心不完全匹配 → 所以选LLM辅助抽取；
KG建好以后还要被人使用 → 所以走RAG，并把KG增强是否优于Vector RAG留给实验。

这比“BERT过时了，所以我用LLM+KG”强得多。

而且你仍然完全可以在答辩时说一句：

“从研究趋势看，KG+LLM/GraphRAG比传统BERT序列标注更接近当前知识增强研究的前沿；但我的选型依据不只是新旧，而是它与本研究的数据规模、知识更新方式和应用任务更加匹配。”

这句话我认为就是你目前最合适的口径。