主线：先把知识组织起来，再让模型在证据约束下回答问题。
第6章讨论生成式 AI 和大语言模型，核心问题是：
第7章给出一种工程化补救路径：
外部知识库 + 检索 + 证据片段 + 大模型生成 + 人类审核
本节从三个问题展开：
学习重点：理解知识表示不是简单保存文本，而是把知识组织成机器可处理的结构。
知识表示是将人类可理解的知识转化为计算机可处理形式的过程。
常见表示对象包括：
产生式规则常写为：
IF condition THEN action\text{IF condition THEN action} IF condition THEN action
材料示例：
IF Cr_eq / Ni_eq 较高 AND 冷却速率较大 THEN 焊缝中铁素体倾向增强
优点：
不足：
框架表示把对象看作由属性槽组成的结构。
材料样品框架示例：
语义网络用节点和边表示概念及其关系。
316L不锈钢 ──属于── 奥氏体不锈钢 激光功率 ──影响── 熔池温度 熔池温度 ──影响── 冷却速率 冷却速率 ──影响── 枝晶间距 枝晶间距 ──影响── 强度
语义网络为知识图谱提供了直观基础。
本体用于规定领域概念、层级和关系约束。
材料领域本体可以规定：
Material
Process
Property
hasComposition
hasProperty
obtainedBy
用户问题 ↓ 人机接口 ↓ 推理机 ←→ 知识库 ↓ 解释模块 ↓ 结论与依据
专家系统强调：
二者并非对立：现代材料 AI 系统常常同时使用规则、数据库和学习模型。
领域问题定义 ↓ 知识获取：文献、专家、标准、实验记录 ↓ 知识建模：实体、属性、关系、规则 ↓ 知识存储：关系库、图数据库、向量库 ↓ 知识验证：一致性、准确性、可追踪性 ↓ 知识维护：版本、更新、权限、审计
下一节：把知识表示进一步组织为“实体—关系—属性”的知识图谱。
知识图谱将知识组织为图结构。
最基本的表达是三元组：
(h,r,t)(h, r, t) (h,r,t)
其中：
例：(316L, contains, Cr)。
(316L, contains, Cr)
典型三元组：
Material→hasPropertyProperty\text{Material} \xrightarrow{\text{hasProperty}} \text{Property} MaterialhasPropertyProperty
示例：
(316L, hasElement, Cr) (316L, hasElement, Ni) (LaserPower, affects, MeltPoolTemperature) (MeltPoolTemperature, affects, CoolingRate) (CoolingRate, affects, DendriteArmSpacing)
这些三元组可组合为图。
模式层示例：
Material --hasComposition--> Composition Process --hasParameter--> ProcessParameter Material --hasProperty--> Property
实例层示例：
Sample_001 --hasProperty--> UTS_620MPa
RDF 的核心思想是用主语、谓语、宾语构成图。
subjectpredicateobject\text{subject} \quad \text{predicate} \quad \text{object} subjectpredicateobject
Sample_001 hasMaterial 316L Sample_001 processedBy SLM SLM hasParameter LaserPower LaserPower hasValue 250W
二者可以共存：结构化数值表适合关系库，复杂关联知识适合图数据库。
确定应用问题 ↓ 设计本体与数据模式 ↓ 抽取实体、关系、属性 ↓ 实体消歧与单位统一 ↓ 图谱入库 ↓ 查询、推理、可视化 ↓ 人工审核与版本更新
原始文本：
250 W 激光功率下，316L 不锈钢样品的熔池更深，抗拉强度达到 620 MPa。
可能抽取为：
从同一句话中可以抽取：
(激光功率, affects, 熔池深度) (316L不锈钢, hasProperty, 抗拉强度) (样品, hasProcessParameter, 250W)
但需要注意：
同一概念可能有多种写法：
材料属性必须记录单位和测试条件。
问题：哪些工艺参数会影响材料强度？
Strength ↑ affectedBy Microstructure ↑ affectedBy CoolingRate ↑ affectedBy LaserPower, ScanSpeed, LayerThickness
查询结果不仅给出实体列表，还能给出路径。
这比普通关键词搜索更适合回答“影响链条”类问题。
若图谱中有：
LaserPower affects MeltPoolTemperature MeltPoolTemperature affects CoolingRate CoolingRate affects DendriteArmSpacing DendriteArmSpacing affects Strength
则可形成候选推理链：
LaserPower → MeltPoolTemperature → CoolingRate → DendriteArmSpacing → Strength
规则示例：
(x,isA,AusteniticStainlessSteel)(x,contains,Cr)⇒(x,hasCorrosionResistance,High)\begin{aligned} & (x, \text{isA}, \text{AusteniticStainlessSteel}) \\ & (x, \text{contains}, \text{Cr}) \\ & \Rightarrow (x, \text{hasCorrosionResistance}, \text{High}) \end{aligned} (x,isA,AusteniticStainlessSteel)(x,contains,Cr)⇒(x,hasCorrosionResistance,High)
该规则必须限定条件：
因此，实际系统常采用：
知识图谱 + 向量检索 + 关系数据库 + 大语言模型
知识图谱适合结构化关系。
但大量材料知识存在于：
本节讨论如何把文本转化为向量，并进行语义检索。
关键词检索关注字面匹配。
局限：
材料例子：查询“激光粉末床熔融”时，可能漏掉“LPBF”“PBF-LB/M”“SLM”。
词袋模型把文本表示为词频向量。
xd=[c1,c2,⋯ ,cm]\mathbf{x}_d = [c_1, c_2, \cdots, c_m] xd=[c1,c2,⋯,cm]
优点是简单，缺点是忽略词序和上下文语义。
TF-IDF 用于提高“有区分度词语”的权重。
tfidf(t,d)=tf(t,d)⋅idf(t)\text{tfidf}(t,d)=\text{tf}(t,d)\cdot \text{idf}(t) tfidf(t,d)=tf(t,d)⋅idf(t)
idf(t)=logN1+nt\text{idf}(t)=\log \frac{N}{1+n_t} idf(t)=log1+ntN
常见词权重低，特征词权重高。
BM25 是经典稀疏检索方法。
核心思想：
简化表达：
score(q,d)=∑t∈qidf(t)⋅f(t,d)\text{score}(q,d)=\sum_{t\in q}\text{idf}(t)\cdot f(t,d) score(q,d)=t∈q∑idf(t)⋅f(t,d)
BM25 适合关键词明确的技术文档检索。
文本嵌入将文本映射为连续向量：
z=fθ(text)∈Rp\mathbf{z}=f_{\theta}(\text{text}) \in \mathbb{R}^{p} z=fθ(text)∈Rp
语义相近的文本在向量空间中距离更近。
“激光粉末床熔融” “LPBF” “selective laser melting”
这些表达的字面形式不同，但可能具有相近嵌入向量。
向量空间中的方向可表示语义。
文本 A：316L laser powder bed fusion tensile strength 文本 B：SLM stainless steel mechanical properties 文本 C：XRD peak fitting of alumina powder
A 和 B 在语义空间中应更接近。
常用相似度指标为余弦相似度：
cos(x,y)=x⋅y∥x∥2∥y∥2\cos(\mathbf{x},\mathbf{y})= \frac{\mathbf{x}\cdot\mathbf{y}}{\|\mathbf{x}\|_2\|\mathbf{y}\|_2} cos(x,y)=∥x∥2∥y∥2x⋅y
取值范围通常为 [−1,1][-1,1][−1,1]。
在很多文本检索任务中，向量方向比向量长度更重要。
向量数据库负责存储和检索嵌入向量。
文档片段 → 嵌入向量 → 向量库 用户问题 → 嵌入向量 → 相似性搜索 → 相关片段
它通常提供：
仅有向量不够，还必须保留元数据。
当向量数量很大时，逐一计算相似度成本较高。
近似最近邻检索目标是快速找到近似最相似的向量。
精确检索：更准，但慢 近似检索：稍有误差，但快
常见索引思想包括：
材料术语强、同义表达多，适合使用混合检索。
from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.metrics.pairwise import cosine_similarity texts = [ "316L stainless steel fabricated by LPBF shows high strength.", "Austenite is the dominant phase in 316L steel.", "XRD patterns are used for phase identification." ] query = "LPBF 316L strength" vec = TfidfVectorizer() X = vec.fit_transform(texts) q = vec.transform([query]) score = cosine_similarity(q, X).ravel() print(score.argsort()[::-1])
向量检索返回的是“相关片段”，不是最终结论。
需要进一步判断：
RAG 即 Retrieval-Augmented Generation。
基本思想：
先检索外部知识，再让大模型基于检索证据生成回答。
它适合解决：
多数课程级知识库优先采用 RAG。
原始文档 ↓ 解析 文本、表格、图注 ↓ 切分 知识片段 chunks ↓ 嵌入 向量表示 ↓ 入库 向量数据库 + 元数据
入库阶段决定“系统知道哪些资料”。
用户问题 ↓ 问题改写或扩展 查询向量 ↓ 检索 top-k 片段 候选证据 ↓ 重排 高质量证据 ↓ 构造提示词 LLM 基于证据回答 ↓ 引用与核验 最终答案
问答阶段决定“系统如何使用资料”。
材料文献 PDF 通常包含：
解析难点：
切分目标：让每个片段既足够短，又保留完整语义。
常用策略：
设切分长度为 LLL，重叠长度为 OOO。
chunk 1: token 1 ... token L chunk 2: token L-O+1 ... token 2L-O
影响：
材料文献建议根据段落、表格和图注结构切分，而不是只按字数切分。
每个片段 cic_ici 经过嵌入模型得到向量：
zi=fθ(ci)\mathbf{z}_i=f_{\theta}(c_i) zi=fθ(ci)
向量库保存：
chunk_id embedding source_title page section material_system data_type quality_label
检索时，问题也被映射为向量：
zq=fθ(q)\mathbf{z}_q=f_{\theta}(q) zq=fθ(q)
系统选取与问题最相似的前 kkk 个片段：
Ck=TopKi s(zq,zi)\mathcal{C}_k = \operatorname{TopK}_{i}\; s(\mathbf{z}_q,\mathbf{z}_i) Ck=TopKis(zq,zi)
其中 sss 可为余弦相似度。
选择 kkk 时需要平衡：
材料问题常常需要先过滤再检索。
例：只检索 Fe-C 合金、相场模拟、2020 年以后的文献：
material_system = Fe-C method = phase-field year >= 2020
再进行向量相似性搜索。
初检索可能返回较多候选片段。
重排模型进一步判断：
问题 + 候选片段 → 相关性分数
重排的作用：
缺点：增加计算成本。
RAG 的提示词通常包含：
系统角色：你是材料科学助教。 任务：只根据给定证据回答问题。 约束：不得编造引用；证据不足时说明不足。 证据：片段1、片段2、片段3。 输出格式：结论、依据、局限、参考来源。 问题：......
生成阶段不是自由发挥，而是证据约束生成。
可要求输出：
示例输出结构：
结论：... 依据：[S1], [S3] 局限：证据未给出热处理时间。
文档集合 ↓ 切分与向量化 ↓ 相似性检索 ↓ 把相关片段放入提示词 ↓ 模型生成回答 ↓ 显示来源
这一闭环可以用于：
from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.metrics.pairwise import cosine_similarity chunks = [ "316L LPBF samples often contain cellular substructures.", "Cooling rate affects dendrite arm spacing in solidification.", "XRD can identify austenite and ferrite phases." ] query = "How does cooling rate affect dendrite spacing?" vectorizer = TfidfVectorizer() X = vectorizer.fit_transform(chunks) q = vectorizer.transform([query]) rank = cosine_similarity(q, X).ravel().argsort()[::-1] for i in rank[:2]: print(i, chunks[i])
def build_prompt(question, retrieved_chunks): evidence = "\n".join( f"[S{i+1}] {text}" for i, text in enumerate(retrieved_chunks) ) return f""" 你是材料科学课程助教。只能根据证据回答。 若证据不足，请明确说明不能确定。 证据： {evidence} 问题：{question} 请按：结论、依据、局限 三部分回答。 """
该函数不调用大模型，但展示了 RAG 的核心提示结构。
知识库不仅是“文献问答机器人”。
在材料科研中，它还应支持：
结构化记录有助于未来机器学习和 RAG 检索。
材料模拟数据应保存：
文献库 实验库 计算库 图像/谱图库 ↓ ↓ ↓ ↓ 解析与清洗 → 元数据标准化 → 向量化与图谱化 ↓ 混合检索层：关键词 + 向量 + 图谱 + 元数据过滤 ↓ RAG问答层：证据约束生成 ↓ 人工审核、引用核验、版本管理
实际系统不应只依赖一种检索方法。
目标问题：
高氮钢增材制造过程中，氮含量、冷却速率和相组成之间有什么关系？
知识库应包含：
可组织的知识对象：
示例问题：
包晶反应相场模型中，如何定义三相点附近的横向位移？
知识库中的内容需要版本控制。
材料知识库需要遵循：
这部分内容与课程第10章可信 AI 和数据安全直接衔接。
RAG 的核心承诺是：
回答应当可以追踪到证据。
但“有引用”不等于“引用正确”。
本节讨论如何建立回答可靠性评价流程。
一个可靠回答应至少包含：
结论：冷却速率升高通常会减小枝晶间距。 依据：[S2, p.5] 给出一次枝晶间距与冷却速率的关系。 局限：证据仅针对 Al-Cu 合金。
忠实性关注回答是否被证据支持。
可形式化理解为：
Faithfulness=NsupportedNclaims\text{Faithfulness}=\frac{N_{\text{supported}}}{N_{\text{claims}}} Faithfulness=NclaimsNsupported
相关性关注检索片段是否回答用户问题。
Relevance=NrelevantNretrieved\text{Relevance}=\frac{N_{\text{relevant}}}{N_{\text{retrieved}}} Relevance=NretrievedNrelevant
常见问题：
相关性差会导致生成阶段“看似有证据、实则无依据”。
完整性关注回答是否覆盖关键方面。
材料问题常见遗漏：
引用核验至少检查：
课堂训练：要求学生随机抽查 2 条引用，回到原文核验。
RAG回答 ↓ 自动检查：是否有来源、是否有证据编号 ↓ 人工检查：证据是否支持结论 ↓ 专业判断：条件是否完整、是否过度外推 ↓ 修订答案 ↓ 记录审核结果和版本
构建评估集时应包含：
不合格回答：
该材料一定具有优异耐蚀性。
合格回答：
根据给定证据，只能确认该文献报告了室温拉伸性能； 证据中没有腐蚀实验、介质环境和极化曲线， 因此不能判断其耐蚀性。
这些原则可用于课程项目、科研助手和实验室知识平台。
领域知识 ├─ 规则与本体 → 知识图谱 ├─ 文献与记录 → 文本切分 → 嵌入向量 ├─ 表格与数据 → 结构化数据库 ↓ 混合检索 ↓ 证据片段 + 元数据 ↓ 大模型生成 ↓ 引用核验 + 人工审核
TF-IDF：
tfidf(t,d)=tf(t,d)⋅logN1+nt\text{tfidf}(t,d)=\text{tf}(t,d)\cdot \log\frac{N}{1+n_t} tfidf(t,d)=tf(t,d)⋅log1+ntN
余弦相似度：
cos(x,y)=x⋅y∥x∥2∥y∥2\cos(\mathbf{x},\mathbf{y})=\frac{\mathbf{x}\cdot\mathbf{y}}{\|\mathbf{x}\|_2\|\mathbf{y}\|_2} cos(x,y)=∥x∥2∥y∥2x⋅y
Top-k 检索：
Ck=TopKi s(zq,zi)\mathcal{C}_k = \operatorname{TopK}_{i}\;s(\mathbf{z}_q,\mathbf{z}_i) Ck=TopKis(zq,zi)
问题：
“激光功率如何影响 316L 增材制造件的显微组织和强度？”
讨论：
模型回答：
316L在LPBF后一定具有更高强度，因为快速冷却形成细晶组织。
需要指出的问题：
任务目标：
用 Python 构建一个小型材料文献片段检索器。
基本要求：
source
page
text
TfidfVectorizer
from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.metrics.pairwise import cosine_similarity records = [ {"source": "Paper A", "page": 3, "text": "..."}, {"source": "Paper B", "page": 5, "text": "..."}, ] query = "What affects dendrite arm spacing in solidification?" texts = [r["text"] for r in records] vec = TfidfVectorizer() X = vec.fit_transform(texts) q = vec.transform([query]) scores = cosine_similarity(q, X).ravel() rank = scores.argsort()[::-1] for idx in rank[:3]: r = records[idx] print(scores[idx], r["source"], r["page"], r["text"])
可选扩展：
Fe-C
Al-Cu
316L
table
caption
[source, page]
评分关注：
知识库、知识图谱和 RAG 的共同目标不是制造“更会说”的模型， 而是建立一个更可追踪、更可验证、更能服务科研积累的知识系统。
在材料科学中，可靠知识系统应满足：
来源清楚、条件完整、证据可查、结论克制、人工审核
下一章将进入 AI 代理、主动学习与贝叶斯优化。
阅读建议：先理解“知识如何组织”，再学习具体框架和工具。
本章关键词：
建议统一命名：
S_2026_001
PAPER_2024_ActaMater_001
IMG_S_2026_001_SEM_5000X
XRD_S_2026_001_20260607
SCRIPT_PF_POST_001
规范命名可减少后续实体对齐成本。
id: title: author: year: material_system: process: property: page: text: evidence_type: quality_label:
这组字段可以作为课程作业的最小数据结构。
你是材料科学课程助教。 你只能依据给定证据回答。 若证据不足，请明确说明不能判断。 回答必须包含：结论、依据、局限。 每条依据必须引用证据编号。
该模板体现了证据约束、拒答机制和结构化输出。
(entity_1, relation, entity_2, source, page)
(ScanSpeed, affects, CoolingRate, Paper_A, 5) (CoolingRate, affects, CellSpacing, Paper_A, 6)
加入来源与页码后，三元组才具有可核验性。
失败表现：
改进方向：增强检索、重排、提示约束和人工审核。
项目题目：构建“材料显微组织文献问答知识库”。
最低要求：
进阶要求：加入知识图谱或图像图注检索。