去年底在一家汽配厂做知识库，客户的质量总监当场考了我们一个问题："去年10月那批支架的镀层起泡，跟三个月前冲压车间的模具维修记录，有没有关系？"
这个问题人要答，得翻三处：不合格品台账（找到那批支架）、模具台账（找到维修记录）、工艺卡（确认镀层和冲压的工序关系）。三处数据在不同系统、不同格式、不同人的手里，质量总监自己也是靠回忆拼的。
我们把这个问题丢给刚搭好的RAG知识库。它的回答工整、流畅、有理有据——但答案是编的。因为这三条信息分散在三份文档里，语义检索最多捞回其中一份，剩下的靠模型"推理补全"，也就是猜。
这个当场翻车，把我们逼上了另一条路。今天这篇文章就讲清楚：为什么制造业的知识，用错了存法，AI就永远答不准。
一、制造业的知识，天生是图
先看一个被大多数人忽略的事实：制造业的核心知识结构，没有一个是"文档"形状的。
- BOM是图。产品→部件→零件→物料，父子层级加替代关系，一棵严格的结构树。
- 工艺路线是图。工序之间的先后、并行、回流，一张有向图。改一个工序参数，下游哪些工序受影响，图上一目了然。
- 故障树（FTA）是图。顶事件→中间事件→底事件，逻辑门连接。质量问题的归因分析，天然就是树上的路径搜索。
- DFM规则是图。"壁厚小于0.8mm→缩水风险→建议加筋"，规则的条件、结论、适用范围之间是网状的关联，不是线性文本。
问题在于：这些天生是图的知识，企业全部用文档存。图纸是PDF，工艺卡是Word，规则在Excel，经验在老师傅脑子里。文档是给人看的载体，不是知识本来的结构。把图压平成文档，关系就断了——断掉的部分，正是最值钱的部分。
二、RAG为什么答不了两跳问题
RAG的原理一句话：把你的文档切块、向量化，提问时捞出语义最相近的几块，交给模型组织成答案。它擅长回答一跳问题——"镀层起泡的常见原因有哪些"，答案就在某份文档的某一段里。
但质量总监那个问题是两跳问题：先找到那批支架（跳一：事件→批次），再顺着工序关系找到模具维修（跳二：批次→工艺→设备→事件）。第二跳依赖的不是语义相似，是实体之间的结构关系——而向量检索根本没有结构，它只有"这段话和那段话像不像"。
这不是RAG做得不好，是RAG的原理性盲区。就像问路：一跳问题是"邮局在哪"，看地图附近就行；两跳问题是"我儿子同学的爸爸在哪个单位上班"——你得顺着关系链一节一节查，光靠"长得像"会把你带到任何一个姓王的门口。
三、图谱不是炫技，是让知识说母语
很多企业一听"知识图谱"就觉得是大厂的技术、离自己很远。这是个误会。知识图谱的本质非常朴素：把知识里的实体和关系，按它们本来的样子存下来。
"支架P-2041"是一个节点，"2025-10-17镀层起泡事件"是一个节点，"模具M-88维修"是一个节点；"支架←工序5→电镀线→同线生产""起泡事件←疑似相关→M-88维修记录"是边。存成这样，质量总监的问题就变成了图上的两跳查询——机器两秒钟走完，人要翻三天的三个系统。
而且图谱天然带来RAG给不了的东西：证据链。图查询的每一步路径都是显式的——答案从哪个节点出发、经过哪条边、到达哪个节点，全部可以展示。老板看到的不再是"AI说"，而是"根据台账A、工艺卡B、维修记录C，关联路径如下"。敢不敢把AI的答案用于质量追溯和客户索赔，差的正是这一条证据链。
四、正确姿势：图谱和RAG不是二选一
讲清楚边界，避免从一个坑跳进另一个坑：
| 问题类型 | 该用谁 | 例子 |
|---|---|---|
| 一跳事实/经验 | 向量检索（RAG） | "镀层起泡常见原因有哪些" |
| 多跳关联/追溯 | 图查询 | "那批支架和那次模具维修有没有关系" |
| 规则判断 | 图上的规则引擎 | "这个壁厚的设计能不能过DFM审查" |
| 开放分析 | 图谱供证据 + 大模型组织语言 | "给我一份这个季度的质量关联分析" |
成熟的架构是双引擎：图谱负责精确关联和多跳推理，向量负责模糊检索和自然语言，大模型负责把两者组织成人话。业界叫GraphRAG，我们自己的落地版本叫"图谱打底、检索补充、生成表达"——三层各干各的活，谁也不越界。
五、从哪开始：图谱不必一步到位
企业最容易犯的错，是立项时想"把全公司知识建成一张大图"——这种项目活不过一年。正确的路径和ERP上线一样，是先选一条高价值链路：
- 选一条链路。标准是：出过事（有痛感）、两跳问题多（RAG救不了）、数据现存（不用从零补）。质量追溯、工艺知识、DFM审查通常排前三。
- 小图先建。只建这条链路上的实体和关系——物料、批次、工序、设备、事件，几十个节点类型足够。两个月内能用，是检验"小"是否到位的标准。
- 和RAG并跑。一跳问题走RAG，两跳问题走图，日志分开记录。三个月后看数据：两跳问题的命中率和证据链完整度，会替你向老板证明下一步投入。
- 再长第二张图。质量图跑通后，工艺图、DFM图按同样打法复制。图和图之间共享物料、工序这些基础实体，第三张图的成本是第一张的一半以下。
回到开头那家汽配厂。后来我们给它建的第一张图就是质量追溯图：不合格品、批次、工序、设备、维修记录五类节点，四个月后的复测里，质量总监的原问题命中率从"编"变成了"路径可点开"。他说的那句话我们记到现在："以前答不出是没人翻，现在是机器两秒，路径还给你留着。"
结语
判断一个企业的AI知识库会走多远，不用看它买了什么模型，看它怎么对待知识的形状：把图当文档存，AI就只能答"像不像"的问题；让图回到图，AI才能答"通不通"的问题。
制造业三十年积累的BOM、工艺、质量数据，是最规整、最值得建成图谱的资产——这件事上，制造企业反而是AI时代的富矿，只是多数人还不知道自己坐在矿上。