Join us at MongoDB.local London on 7 May to unlock new possibilities for your data. Use WEB50 to save 50%.
Register now >
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

开发一款汽车诊断应用。将 MongoDB Atlas 与 Voyage Embedding 模型相结合，可以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

第 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，现代汽车售后支持涉及日益复杂的需求。当今的车辆是集成了大量软件的复杂系统。

售后机会

随着车辆复杂性的增加，经销商维修车间面临着日益增长的需求。非计划的维修中断每年给行业带来巨大的成本。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，而不是专注于维修。一个常见的挑战是将软件代码、诊断故障码（DTC）与物理硬件问题关联起来，如果没有合适的工具，这将非常耗时。

“未找到故障 (NFF)”挑战

NFF 事件几乎占保修成本的 30%。这些事件的发生是由于基于不完整或不清晰的诊断信息更换了组件，而实际上该部件功能正常。标准搜索工具可能无法完全应对这一挑战，因为它们缺乏将症状（如屏幕闪烁）与根本原因（如接地线松动）联系起来的上下文推理能力。

智能诊断应用程序

该解决方案帮助您在 MongoDB Atlas 上构建诊断助手应用。它使用 Voyage AI 模型来改进技术人员解决问题的方式：

  1. 自动故障树 (GraphRAG)：超越关键词搜索。使用 MongoDB 的 $graphLookup 来建模车辆依赖关系。从症状到系统到根本原因，识别真正的故障路径。

  2. 启用可视搜索（多模态）：识别特定的部件变体可能具有挑战性，尤其是对于仍在构建专业知识的技术人员而言。集成 Voyage AI 的 voyage-multimodal-3.5，使应用能够接受部件的照片并返回正确的替换 SKU，使部件识别更快、更准确。

  3. 优先精确（重排序）：使用 Voyage AI 的 rerank-2.5 重新排序结果。帮助确保安全警告和已验证的修复方案在结果中突出显示。

参考架构

构建症状到修复引擎。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统一到单个应用后端。

系统组件

1

数据摄取服务

  • 文本：将 OEM 维修手册处理成数据块。保留 breadcrumb_trail（例如，Model Y > Powertrain > High Voltage）。

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

  • 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)

  • 应用程序数据库：在 diagnostics_db 中存储手册数据块、故障树和用户会话。

  • 向量存储：维护双向量索引。使用 Voyage AI 的 Matryoshka 表示学习 (MRL) 来优化移动应用延迟。

  • 图表存储：通过文档引用隐式建模车辆拓扑结构。

3

应用逻辑 (FastAPI)

  • 编排：管理维修会话流程。

  • 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：为前端 UI 对结果进行重排序。

应用程序工作流

  1. 输入：机械师扫描 VIN 并输入症状（“空调吹暖风”）或上传照片。

  2. 识别：应用检索特定车辆信息（配置、年份）和相关手册章节。

  3. 推理：应用使用 $graphLookup 来检查相关子系统（例如，“检查压缩机继电器”）。

  4. 验证：应用显示最可能的三种修复方案，按 Voyage AI 重排序器排序，并附上视觉验证辅助信息。

统一的向量、图表和多模态架构

图 1. 基于 MongoDB Atlas 的汽车诊断统一向量、图表和多模态架构

数据模型方法

为 GraphRAG 设计模式。使用预物化边缘模式，在文档模型中直接将症状链接到修复方案。

诊断集合（manual_chunks ）

在您的手册数据块中添加 relationships 数组。这使应用能够模拟高级技术人员的推理过程。

{
  "_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)

将嵌入内容链接至 GridFS，以将图像直接提供给应用 UI。

{
  "_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 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

快速识别（多模态）

构建部件摄像头功能。使用 Voyage AI 嵌入图像并查询部件数据库。

# 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

精确度排名

在将结果发送到应用之前，先对结果进行优化。

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独立的网络处理文本和图像，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，通过相同的骨干网络处理两种模态，消除了模态差距。这种架构支持在文档截图、PDF 和图表之间进行无缝检索，无需复杂的解析管道。

  • 结构胜过关键词：技术人员从系统角度而非关键词思考。行李箱锁扣（寄生电流）可能会导致电池没电。标准搜索无法发现这种关联。GraphRAG 能够捕捉这一因果关联。它可以让应用在用户查询电池相关信息时建议检查行李箱锁扣。

  • 统一后端简化开发：为向量、图表和图像构建独立的后端会拖慢开发速度。MongoDB Atlas 将这些统一到一起。您只需为整个诊断应用堆栈管理一个数据库连接。这种统一加速了功能迭代并简化了维护。

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