工业数据管理走到最后，会撞上一个更根本的问题：沉淀下来的知识，机器读得懂吗？
现实情况是，操作规程在档案柜里、故障复盘在工程师的电脑里、报警处理逻辑在代码的 if-else 里。就算把它们全部收进知识库，模型能检索到的也只是”某份文档里提到过”——一段文字，不是一条能往下走的逻辑链。
知识图谱要解决的，就是把文档拆成一个个独立的知识点，再把它们之间本来就存在的业务逻辑显式地连起来。
这场直播，我们从头讲清楚三件事：大模型和 RAG 已经很强了，为什么还是需要知识图谱；一套图谱有没有业务价值，取决于什么；IDMP 是怎么让文档自动变成知识网络的。
这场直播你会看到：
- 数据、信息、知识三层拆解：
82.4是数据，”3 号辊压机 14:05 液压油温 82.4℃、比月均值高 12℃”是信息，”油温连续 10 分钟高于 80℃ 先查冷却水阀再确认油位，15 分钟没回落按停机处理”才是知识——企业真正的瓶颈在第三层 - RAG 的三件做不到：找得到段落、找不到关系；知识跨不过对象和文档；分析过程说不清依据——中间缺的那层处理逻辑，就是知识图谱
- 九类实体 × 十一类关系：IDMP 把知识拆成概念、原理、方法、规则、操作、事实、场景、要点、文档九类实体，用依据、归属、组成、适用、限制、前置、顺序、解决、导致、推导、影响十一类关系连起来，每类都带定义、判据和正反例
- Schema 注入，不让大模型自由发挥：把业务 Schema 作为前置规则写进抽取过程，抽出来的才是知识点，不是关键词——这是”知识网络”和”关键词网络图”的分水岭
- 三道质量闸门：抽取阶段的正则过滤与精确词黑名单、重复实体自动合并、每条关系带可信度标注——图谱规模能看，质量也能查
- 一台设备的知识，六台设备共用：水泥厂 6 台同型号辊压机，5 号机的一次故障处置沉淀成知识点，挂到设备类型上，3 号机报警时 AI 沿知识链路直接给出该型号的处置顺序和判断限值，并标明依据来自哪份记录
- AI 沿知识链路推理演示：同样的问题，没有知识注入时 AI 只能给通用建议；有了知识图谱，回答带具体设备的处置经验、限值与出处
- 全流程 Demo：从看图谱（节点/边/社区统计）→ 按文档分类、实体名、关系层数筛选 → 上传一份新文档看它自动变成知识点 → AI 问答引用图谱给出带依据的答案
知识如果不能被连接、被推导，存得再多也只是文档。
直播时间：【2026年10月27日 19:00】
【请移步 TDengine 视频号预约观看】
