AI 系统 · 冶金、规范性文档
GOST 图谱与钢材要求 RAG
EVRAZ · 2025 · AI 系统 · Python 3.11, LangChain
从一堆 PDF 标准到互相关联的知识库：GOST 之间的链接、附来源的检索、将钢材强度等级要求导出为 JSON
为 EVRAZ 开发的一系列原型。其 GOST 资料库是一堆 PDF，文件之间没有任何关联。标准文件（PDF/DOC）被转换为带表格和图片的 Markdown，自动识别其中对其他 GOST 的引用（规范性和资料性），下载“子级”标准，并在此基础上构建带来源的 RAG 检索和结构化数据抽取。测试任务是 GOST 27772-2021 中的 C235 强度等级：将化学成分和力学性能导出为 JSON。在一周时间内（2025 年 10 月 30 日至 11 月 6 日），并行尝试了五种实现方案。
任务
文件内部对其他 GOST 的引用无法点击。要收集 C235 钢材的全部要求，专家得先手工找到主标准，再逐一翻阅它提到的每一份标准，既耗时又容易遗漏。
核心功能
- 将 GOST 从 DOC/DOCX/PDF 转换为 Markdown、表格（XLSX）和图片
- 自动提取并按“规范性 / 资料性”分类的引用；在 GOST 27772-2021 中找到 95 条唯一引用（71 条规范性、24 条资料性），并插入了 232 个可点击的超链接
- 自动搜索并下载“子级”GOST（allgosts.ru，以 Yandex XML API 作为后备）：语料库中包含 60 份 .doc 文档
- 带来源的 RAG 回答（经 OpenRouter 使用 Claude 4.5 Sonnet / Gemini 2.5 Pro，FAISS 向量索引）
- 将 C235 强度等级的结构化数据（8 种化学成分元素、3 项力学性能）抽取为 JSON 并校验
- 各方案：基于 React/tRPC 的网页知识库、Neo4j 中的标准图谱及基于图的回答、无需 Docker 的 RAGFlow + OpenSearch（k-NN）、带爬虫的 FastAPI + HTMX 网络服务，以及高精度 OCR 模块的技术规格
机器翻译，正在校对中。