背景与目标
宽表已包含工单名、工单总结（长文本）和聊天记录。传统 SQL 或关键词搜索无法有效挖掘语义层面的重复模式、根因及最佳实践。

本方案目标：

• 从月度 2 万条（或百万级）工单文本中自动发现 10–30 个知识主题
• 生成可读知识卡片（主题名称、典型描述、根因、推荐方案）
• 每条结论附原始工单 ID，确保可追溯
• LLM 调用次数固定，与样本量无关
• 整体处理时间：2 万条数据小于 5 分钟

核心技术组合

• Embedding：BGE-M3（1024 维）
• 聚类：k-LLMmeans（GitHub: jairoadiazr/k-LLMmeans）
• 向量存储：ClickHouse 原生 Array(Float32) + HNSW 索引
• Agent 框架：LangGraph（封装为 KnowledgeMiningTool）

处理位置

• Embedding 与 k-LLMmeans 聚类：全部在 Agent 侧（Python 进程）完成
• ClickHouse：仅负责数据拉取、向量持久化存储及 HNSW 索引

向量存储设计（推荐独立表）

CREATE TABLE IF NOT EXISTS work_order_embeddings (
    order_id        String,
    dt              Date,
    embedding       Array(Float32),
    cluster_id      UInt32 DEFAULT 0,
    cluster_summary String
) ENGINE = MergeTree()
ORDER BY (dt, order_id);

ALTER TABLE work_order_embeddings
ADD INDEX embedding_hnsw embedding TYPE hnsw('L2Distance') GRANULARITY 1000;

系统架构图

graph TB subgraph ClickHouse[ClickHouse 存储层] A[宽表 wide_work_order_table 工单名 + 总结 + 聊天记录] B[向量表 work_order_embeddings embedding + HNSW索引] end subgraph Agent[Agent 侧 Python + LangGraph] C[KnowledgeMiningTool] D[BGE-M3 Embedding sentence-transformers] E[k-LLMmeans 聚类引擎] F[LLM\nQwen2.5 / DeepSeek / Grok 仅生成质心总结] end subgraph Output[输出层] G[知识维度报告 Markdown/PDF 知识卡片 + 可追溯ID] end A -->|1.时间范围查询| C C -->|2.拉取文本| D D -->|3.生成向量| B B -->|4.读取向量| E E -->|5.LLM 生成质心| F E -->|6.写入聚类结果| B E -->|7.生成报告| G

处理流程图

flowchart TD Start[用户输入时间范围] --> S1[Agent 调用 ClickHouse 拉取工单文本数据] S1 --> S2[Agent 侧 BGE-M3 批量生成 Embedding 拼接工单名 + 总结 + 聊天记录] S2 --> S3[向量写入 ClickHouse work_order_embeddings 表 支持增量] S3 --> S4[Agent 侧 k-LLMmeans n_clusters=15~20 LLM 仅对质心调用 与样本量无关] S4 --> S5[聚类结果写回 ClickHouse cluster_id + cluster_summary] S5 --> S6[LLM 生成知识报告 每簇包含： 主题名称 占比 根因与方案 Top5 工单ID] S6 --> End[知识维度报告完成 可存入知识库 RAG] classDef agent fill:#e8f5e9,stroke:#388e3c classDef ck fill:#fff3e0,stroke:#f57c00 class S1,S3,S5 ck class S2,S4,S6 agent

主要优势

• 聚类结果可解释且 100% 可追溯
• 支持百万级扩展（分批 Embedding + 子采样）
• LLM 调用次数固定，成本可控
• 可直接集成现有 ClickHouse 宽表

内存占用与百万级扩展性补充
k-LLMmeans 聚类阶段需将 embedding 向量从 ClickHouse 查询到 Agent 侧 Python 内存中处理。
BGE-M3 1024 维向量（Float32）每个占用 4 KB。实际内存占用如下：
2 万条：约 78 MB（含 Pandas 开销 < 200 MB）
10 万条：约 390 MB（普通服务器无压力）
100 万条：约 3.81 GB（需 16 GB 以上内存）
2 万 ~ 10 万条规模下，当前方案可直接运行，无内存风险。
针对百万级扩展，已设计以下增量优化路径（代码改动 < 50 行）：
子采样 + HNSW 分配（推荐）：仅采样 5~10 万条向量运行 k-LLMmeans，其余向量通过 ClickHouse HNSW 索引执行一次相似度查询分配到最近簇，精度损失 < 3%。
分页分批处理：使用 LIMIT/OFFSET 分批拉取，每批独立 MiniBatch 处理后合并质心。
增量处理机制：每次仅处理新增 dt 分区，历史 embedding 与 cluster_id 永久复用。