问底座：机理 / 标准 / 事故 / 置信度
直接提问，知识库问答驱动知识下钻。默认知识检索（确定性映射，有来源、可溯源、零成本）；可一键升级 DeepSeek 真推理。
🛡
诚实披露：本页调用同源服务端端点
/api/equipment/ai（nginx 注入密钥可达）。默认以 知识检索（确定性映射） 返回（族基线估计，非实测、非 LLM 实时推理）；勾选「启用 DeepSeek 真推理」则切换为 DeepSeek 实时推理（LLM 基于通用工程知识综合，非种子库确定性映射、非实测，置信度 low，会触发 API 计费，查询文本将出境至杭州深度求索）。端点不可用时回退 KB 确定性合成兜底。来源 / 置信度 / 实测 vs 族基线 随回答呈现，绝不编造或虚构实测。或挑一个问题直接试 ↓
在上方输入问题，或点一个示例 ↓
知识底座 · 基本介绍（是什么 / 能力 / 方法 / 相互作用）
它是什么 · 第一性原理
AIM 知识底座不是「6 个方法模块的集合」，而是一套以失效机理为内核的结构化知识体，用第一性原理框架「一套知识，三种看法，一个闭环」组织：
- C 机理（现在）：设备为什么会失效 —— 89 条机理原子 + 51 个设备族分类学 + 族→机理矩阵
- B 证据（过去）：事故与检验记录 —— 从真实失效中学习的输入
- A 行动（未来）：RBI / FMEA / RCM / RCFA 推导出的检验与维修任务、决策契约
- 闭环：事故(B) → 机理(C) → 行动(A) → 干预防止事故(B) 重演
能力 · 当前底座规模
- 54 台设备 · 1035 个失效模式(FM) · 167 项标准注册 · 51 设备族
- MCS 机理中心（纯 Python、零 LLM、零网络）：把「设备 / 位号 / 症状」确定性解析为 族 → 适用机理集 → 激活条件 → 族基线先验 → 完整 dossier 骨架
- 知识检索（默认）：语义匹配 + 机理确定性映射，有来源、可溯源、零成本
- DeepSeek 真推理（可选）：勾选后基于通用工程知识综合，附 FM 溯源 + 置信度 + 标准引用
- 置信度分级与诚实披露：族基线估计 vs 真实观测校准，绝不编造实测
方法 · 六种，统一在同一底座上联动
方法作用在闭环中的角色
RBI 基于风险的检验风险排序决定「查什么、隔多久」
FMEA 失效模式与影响穷举 FM 与后果喂给 RCM 决策
RCM 以可靠性为中心维修由 FM 推维修策略产出决策契约与任务
RCFA 根本原因分析故障后倒推机理关闭环路、回灌证据
SNS 传感与异常检测实时信号触发早期干预
MIQA 维护检验质量保证质量门 + 标准对齐保证「查得对」
相互作用 · 为什么是「一个底座」而非「六个工具」
- 共享同一套失效机理语义（MCS）：RBI 的风险排序、FMEA 的 FM 穷举、RCM 的策略推导、RCFA 的根因回溯，都落到同一组机理 id 上 —— 可被交叉检索、互证、下钻。
- 数据单向流转、闭环反馈：事故证据(B) 校准机理(C) 的先验（飞轮校准引擎：n≥5 升 medium / n≥30 升 high）；机理驱动行动(A)；行动执行产生的检验 / 运维记录又成为新的证据(B) 输入。
- 越用越准：种子库是族基线估计（family-baseline，置信度 low）；真实失效台账经
/api/calibrate注入后，机理先验从「经验估计」升级为「实测校准」（measured），全程带 provenance。
置信度与诚实红线（必读）
- 族基线 = 经验聚合，非实测：当前大部分机理由 family-baseline（种子库聚合）给出，置信度 low；绝不冒充实测。
- 实测校准需样本：机理级真实观测 n≥5 才升 medium、n≥30 升 high；n<5 不升级。
- 绝不编造：事故证据必须带 report_id + 官方 source + url 才入库；LLM 只「翻译」确定性知识，不「发明」机理。
- DeepSeek 真推理：勾选时查询文本出境至杭州深度求索（PIPL 已披露），属 LLM 综合、非确定性映射，置信度 low。