Docs 菜单
Docs 主页
/
Atlas 架构中心
Docs 主页
/
Atlas 架构中心
Docs 主页
/
Atlas 架构中心

构建智能汽车售后诊断应用程序

开发汽车诊断应用。将MongoDB Atlas与 Voyage Embedding 模型相结合，解决复杂的车辆故障并降低保修成本。

使用案例： 人工智能、智能搜索

行业： 制造

产品： MongoDB Voyage AI、 MongoDB Atlas

解决方案概述

1部分：上下文感知 RAG 解决了从汽车手册中检索静态文本的问题。然而，现代汽车售后支持的要求越来越复杂。当今的车辆是具有广泛软件集成的复杂系统。

售后机会

随着车辆复杂性的增加，经销店服务站的需求也不断增长。每年，意外的服务停机都会给整个行业带来巨大的费用。技术人员可能会花费大量时间（在某些情况下高达 30%）搜索信息，而不是专注于修复。一个常见的挑战是将软件代码、诊断故障代码 (DTC) 与物理硬件问题联系起来，如果没有合适的工具，这可能会非常耗时。

未找到故障 (NFF) 的挑战

NFF 事件占保修成本的近30 %。当根据不完整或不明确的诊断信息更换组件时，即使该部件运行正常，也会发生此类情况。标准搜索工具可能无法完全解决这一挑战，因为它们可能缺乏将屏幕闪烁等症状与地线松动等根本的原因联系起来所需的上下文推理。

智能诊断应用程序

此解决方案可帮助您在MongoDB Atlas上构建诊断助手应用。它使用 Voyage AI模型来增强技术人员解决问题的方式：

  1. 自动化故障树 (GraphRAG)：超越关键字搜索。使用 MongoDB 的$graphLookup 对车辆依赖项进行建模。从“症状”到“系统”再到“根本原因”，以确定真正的故障路径。

  2. 启用可视化搜索（多模式）：识别特定零件变体可能具有挑战性，尤其是对于仍在积累专业知识的技术人员而言。集成 Voyage AI 的 voyage-multimodal-3.5 ，启用该应用能够接受零件的照片并返回正确的替换 SKU，从而使每个人都能更快、更准确地识别零件。

  3. 优先考虑精度（重新排序）：使用 Voyage AI 的 rerank-2.5 对结果重新排序。帮助确保安全警告和经过验证的修复在结果中突出显示。

参考架构

构建“修复症状”引擎。在MongoDB Atlas中整合您的应用数据、向量嵌入和诊断图表。这将技术人员的工作流程统一到单个应用后端。

系统组件

1

摄取服务

  • 文本：将 OEM 服务手册处理为数据段。保留breadcrumb_trail （示例，Model Y >Powertrain >High Voltage ）。

  • 图表构建：从服务公告中提取逻辑链接。将“如果 X，则检查 Y”逻辑存储为边定义。

  • 视觉资产：使用 Voyage AI嵌入原理图和组件照片。将二进制文件存储在MongoDB GridFS中。

2

Data Layer (MongoDB Atlas)

  • 应用数据库：在 中存储手动数据段、故障树和用户会话。diagnostics_db

  • Vector Store：维护双向量索引。使用 Voyage AI的套娃表示学习 (MRL) 来优化移动应用延迟。

  • 图形存储：通过文档引用对车辆拓扑结构进行隐式建模。

3

App Logic (FastAPI)

  • 编排：管理修复会话流程。

  • 检索：执行向量搜索以识别故障并通过图表遍历扩展上下文。

  • 优化：对前端用户界面的结果重新排名。

应用程序工作流程

  1. 输入：机械师扫描 VIN 并键入症状（“空调升温”）或上传照片。

  2. 识别：应用程序检索特定的车辆背景（装饰、年份）和相关手册部分。

  3. 推理：应用使用$graphLookup 检查相关子系统（示例，“Check Compressor Relay”）。

  4. 验证：应用程序显示由 Voyage AI Reranker 排名的前三个可能的修复程序，以及可视化验证辅助工具。

统一向量、图形和多模式架构

图 1。 MongoDB Atlas上用于汽车诊断的统一向量、图形和多模式架构

数据模型方法

为 GraphRAG 设计模式。使用预物化的边缘模式，将症状直接链接到文档模型中的修复。

诊断集合manual_chunks ()

将 relationships大量添加到手动数据段中。这使该应用能够模拟高级技术人员的推理。

{
  "_id": ObjectId("..."),
  "chunk_id": "chunk_4059",
  "text": "Inspect the AC Compressor Clutch for engagement...",
  // Domain-specific embedding (voyage-context-3)
  "text_embedding": [0.02, -0.5, ...],
  // NEW: Diagnostic Logic Edges
  "relationships": [
    {
      "type": "SEQUENTIAL_TO",
      "target_id": "chunk_4060",
      "description": "Next Step: Check Refrigerant Pressure"
    },
    {
      "type": "CAUSES",
      "target_id": "dtc_b1000",
      "description": "Clutch failure triggers Code B1000"
    },
    {
      "type": "APPLIES_TO",
      "target_id": "trim_performance",
      "description": "Only for Performance Trims"
    }
  ],
  "metadata": {
    "system": "HVAC",
    "component": "Compressor",
    "breadcrumb_trail": "HVAC > COOLING > DIAGNOSTICS"
  }
}

可视化部件集合manual_images ()

将嵌入链接到GridFS ，以将图像直接提供服务到应用用户界面。

{
  "_id": ObjectId("..."),
  "image_id": "img_001",
  "gridfs_id": ObjectId("..."), // Link to binary image
  "description": "Connector View: AC Compressor C1",
  // 1024-dim Voyage AI Multimodal embedding
  "multimodal_embedding": [-0.1, 0.8, ...],
  "associated_chunks": ["chunk_4059"],
  "metadata": {
    "view_type": "connector_pinout",
    "model_year": "2024"
  }
}

构建解决方案

实现三个核心应用功能。访问 GitHub存储库中的完整源代码。

1

智能症状搜索 (GraphRAG)

构建诊断按钮。使用向量搜索查找手册部分，并使用$graphLookup 来建议下一个逻辑步骤。

// MongoDB Aggregation: Find Symptom -> Suggest Fix
[
  // Step 1: Find the relevant manual section
  {
    "$vectorSearch": {
      "index": "vector_index_text",
      "path": "text_embedding",
      "queryVector": <embedding_of_symptom>,
      "numCandidates": 100,
      "limit": 5
    }
  },
  // Step 2: Traverse the Fault Tree
  {
    "$graphLookup": {
      "from": "manual_chunks",
      "startWith": "$relationships.target_id",
      "connectFromField": "relationships.target_id",
      "connectToField": "chunk_id",
      "as": "suggested_path",
      "maxDepth": 1
    }
  }
]
2

捕捉以识别（多模式）

构建零件相机功能。使用 Voyage AI嵌入图像并查询零件数据库。

# Python / FastAPI snippet
from voyageai import Client
vo = Client(api_key="VOYAGE_API_KEY")
# Feature: User takes a picture of a corroded connector
query_emb = vo.multimodal_embed(
    inputs=[{"image": user_image_bytes}],
    model="voyage-multimodal-3.5"
).embeddings[0]
# Search for the part
results = collection.aggregate([
    {
        "$vectorSearch": {
            "index": "vector_index_images",
            "path": "multimodal_embedding",
            "queryVector": query_emb,
            "limit": 5
        }
    }
])
3

精度排名

在将结果发送到应用之前优化结果。

import voyageai
# Rerank: Prioritize "Safety Warnings" and "TSBs" (Technical Service Bulletins)
reranking = voyageai.Client().rerank(
    query="AC blowing warm 2024 Model Y",
    documents=retrieved_docs,
    model="rerank-2.5",
    top_k=3
)

关键要点

  • 使用多模态嵌入：传统的多模态模型通过单独的网络进程文本和图像，导致混合内容出现检索偏差。 Voyage AI 的 voyage-multimodal-3.5 使用统一的转换器架构，通过同一主干网处理两种模态，从而消除了模态差异。这种架构支持跨文档屏幕截图、PDF 和图表进行无缝检索，而无需复杂的解析管道。

  • 结构胜于关键字：机制在系统中思考，而不是关键字。电池电量耗尽可能是由主干锁存器（寄生拉动）引起的。标准搜索会错过此连接。 GraphRAG 捕获了这种因果联系。当用户查询电池时，它使应用能够建议检查后备箱闩锁。

  • 统一后端简化了开发：为向量、图形和图像构建单独的后端会减慢开发速度。 MongoDB Atlas将这些统一起来。您可以为整个诊断应用堆栈管理一个数据库连接。这种统一加快了功能速度并简化了维护。

作者

  • Mehar Grewal，MongoDB

  • Humza Akhtar，MongoDB

  • Daniel Jamir， MongoDB

了解详情

后退

汽车诊断

来年

适用于技术Docs的上下文感知 RAG

在此页面上