基于RAG技术的技经配定额工作智能化实现研究
周昊天
上海电力设计设计院有限公司  上海市  200020

摘要：针对传统技经配定额工作人工依赖度高、数据处理效率低、成果准确性差等痛点，本文提出一种基于检索增强生成（RAG）技术的技经配定额智能化解决方案。通过构建电力工程领域专属的专业知识库，设计混合检索策略与定向Prompt工程，搭建”数据层—检索层—生成层—应用层”的四层智能组价系统，实现提资解析、定额匹配、价格校准、文档生成的全流程自动化。实验选取10项典型电力工程项目进行验证，结果表明，该系统可将技经配定额工作效率提升60%以上，定额匹配准确率达91%，显著降低人为误差。研究成果为工程经济领域数字化转型提供了可复制的技术范式，对提升电力工程造价管理水平具有重要实践价值。

关键词：RAG技术；技经配定额；智能组价；电力工程造价；检索增强生成

一、引言

1.1 研究背景

技经配定额是工程造价管理的核心环节，其成果直接影响项目投资决策、成本控制与招投标报价的科学性。在电力工程领域，随着新型电力系统建设的推进，变电站、输电线路、新能源项目的建设规模持续扩大，对技经配定额工作的精准性、时效性提出了更高要求。传统技经配定额工作高度依赖人工经验，存在三大核心痛点：一是提资文件格式不统一，非结构化数据解析效率低，字段归一化难度大；二是定额匹配与价格校准依赖人工查询，受专业能力与经验局限影响，成果一致性差；三是校审流程繁琐，重复劳动多，难以适配大规模、快节奏的工程建设需求。

与此同时，国家出台《加快构建新型电力系统行动方案（2024—2027年）》等政策，明确推动电力行业数字化转型。以大模型、自然语言处理（NLP）为核心的人工智能技术，为技经配定额工作的智能化升级提供了技术支撑。其中，检索增强生成（Retrieval-AugmentedGeneration,RAG）技术通过融合知识库检索与大模型生成能力，既解决了纯大模型“幻觉”问题，又实现了专业数据的实时更新，成为垂直领域智能化应用的优选方案。

1.2 国内外研究现状

国内对AI在工程造价领域的应用聚焦于提资解析、智能组价等环节[1]。中南电力设计院开发的“Power电力工程云造价管理系统”，利用NLP技术实现提资单智能识别；国网上海电力设计院联合博微软件[2]，构建了电缆线路工程智能组价功能，实现工程量自动统计。但现有研究多采用单一规则引擎或简单模型微调，缺乏对技经配定额全流程的智能化覆盖，且对非标准清单项、复杂施工工艺的适配能力不足[3]。

国外研究则侧重前期快速估算，如基于多目标遗传算法的输电线路成本估算模型、ABC预测方法在电网基础设施成本分析中的应用，但未深入涉及估概算阶段的定额匹配与组价工作。[4]

综上，当前国内外研究存在RAG技术在技经配定额细分领域应用的空白[1]，亟需构建一套覆盖“提资解析—定额匹配—价格校准—成果输出”的全流程智能化系统。

1.3 研究内容与技术路线

本文核心研究内容包括三方面：一是构建适配技经配定额工作的RAG技术架构，解决专业知识库构建与检索策略优化问题；二是开发智能组价核心模块，实现提资解析、定额匹配、价格校准的自动化；三是通过实验验证系统的效率与准确性，形成可推广的应用方案。

技术路线遵循“需求分析→知识库构建→系统开发→实验验证→结论展望”的流程：首先梳理技经配定额工作的核心需求与痛点；其次整合定额库、价格库等多源数据，构建专业知识库；再次设计检索与生成模块，开发智能化系统；最后选取典型项目进行实验，验证系统性能。

1.4 研究意义与创新点

理论意义：丰富了RAG技术在工程经济领域的应用研究，提出了垂直领域专业知识库构建与检索优化的方法论，为同类行业智能化转型提供理论参考。

实践意义：显著提升技经配定额工作效率与准确性，降低人工成本，支撑电力工程精细化造价管理。

创新点：一是提出“关键词检索+向量检索”的混合检索策略，提升定额匹配的精准度；二是构建电力工程专属的技经知识库，实现隐性知识显性化；三是设计定向Prompt工程，强化大模型对专业规则的理解能力，实现全流程智能化组价。

二、相关理论与技术基础

2.1 技经配定额核心理论

技经配定额是指根据工程设计参数、施工工艺，匹配国家或行业定额子目，计算人材机费用的过程，主要包括概算定额、预算定额两类。其编制流程为提资解析→定额匹配→价格校准→费用汇总→成果校审，核心需求是保证定额匹配的准确性、价格的时效性、成果的合规性。传统工作模式中，定额匹配需人工对照《电力建设工程概算定额》等标准，易受经验局限影响，且难以快速响应材料价格波动与政策调整[5]。

2.2 RAG技术核心原理

RAG技术的核心架构由检索模块、生成模块、知识库三部分组成[6]。检索模块基于向量数据库，将输入文本与知识库中的专业数据进行相似度匹配，获取相关支撑信息；生成模块将检索结果与Prompt融合，输入大模型进行推理，生成符合专业要求的结果；知识库则存储结构化与非结构化的专业数据，支持实时更新。

相较于纯大模型，RAG技术具有三大优势：一是解决“幻觉”问题，生成结果可追溯至知识库中的权威数据；二是降低模型微调成本，无需持续更新模型参数，仅需维护知识库；三是支持数据实时更新，可快速适配定额标准、材料价格的变化。[6]

近年来，RAG技术持续演进，已从基础的检索—生成流水线发展为Agentic RAG、TreeRAG等高级范式。2025年相关综述指出，RAG正朝着多跳推理、多模态融合、自适应检索方向发展，在工程垂直领域的应用价值日益凸显。本文所采用的混合检索策略与四层架构设计，正是对上述前沿趋势在电力工程造价领域的一次实践探索。

2.3 支撑技术

1. 自然语言处理（NLP）：采用分词、实体识别、语义归一化等技术，解析Word、Excel格式的提资文件，提取设备型号、规格、数量等关键参数，为定额匹配提供结构化输入。
2. 向量数据库技术：选用Milvus向量数据库，将定额描述、提资特征等文本转换为稠密向量，通过余弦相似度算法实现精准检索，解决传统关键词检索的局限性。
3. 大模型选型：选用Qwen3-72B大模型作为问答服务核心，结合电力工程专业数据优化，强化模型对定额规则、施工工艺及调价要求的理解能力，兼顾推理精度与部署可行性；搭配bge-3m模型完成文本向量化处理，适配混合向量检索需求。

三、基于RAG的技经配定额系统设计

3.1 系统总体架构

本文设计的技经配定额系统采用四层架构[7]，包括数据层、检索层、生成层、应用层，各层功能与数据流转逻辑如下：

1. 数据层：作为系统核心底座，整合电力工程领域多源数据，包括定额库、价格库、规范库、历史项目库等，通过数据清洗、结构化处理、向量化转换，构建专业知识库。
2. 检索层：采用“关键词检索+向量检索”的混合策略，接收结构化的提资数据后，先通过关键词检索筛选定额范围，再通过向量检索获取最优匹配候选，提升检索效率与精准度。
3. 生成层：将检索结果与定向Prompt融合，输入大模型进行推理，完成定额匹配、调价系数计算、单位换算等工作，生成标准化的组价成果。
4. 应用层：基于React框架开发前端交互界面，提供提资上传、组价运行、成果导出、校审管理等功能，支持与博微、广联达等传统造价软件的无缝对接[2]。

系统后端采用FastAPI框架开发，基于Docker容器化部署，支持多用户并发访问，满足企业级应用需求。

3.2 技经配定额专业知识库构建

• 数据来源：知识库数据严格参照专利规范，涵盖四大类核心数据[3]：一是定额库，以《电力建设工程概算定额（2018版）》为核心，整理形成定额章节、子目及调价要求相关数据；二是价格库，整合国网、南网及地方季度信息价，支撑调价计算；三是规范库，收录电力工程计价规范、编制规则及电气专业常识；四是历史项目库，收集已完成定额匹配的工程案例，构建提资与定额章节的对应关系。
• 数据预处理与构建流程：
                   基础数据库搭建：搭建postgres关系型数据库与Milvus向量数据库，配套部署bge-3m embedding模型及Qwen3-72B大模型问答服务，构成数据处理核心架构；
• 结构化表格构建：将《电力建设工程概算定额（2018版）》整理为《定额章节表》《定额子目表》，同步提取各章节调价要求，构建《章节-调价要求表》，均存入postgres数据库；收集历史项目提资与定额章节对应数据，构建《提资-章节对照表》，补充电压等级、容量等属性特征，形成《章节-属性-指令表》；
• 文本清洗与归一化：去除冗余信息，统一专业术语与单位表述，明确设备属性区分标准（如变压器的电压等级、绕组类型、相数量、容量等），实现字段规范化；
• 向量化转换与存储：采用bge-3m模型对《提资-章节对照表》中的提资内容进行向量化处理，生成稠密向量与稀疏向量并补充至表格，完整表格存入Milvus向量数据库，支撑混合检索；
• 通用文本准备：整理电力工程背景知识、常规单位换算规则、技经工作常识，形成《电气通用文本》，为定额匹配与调价提供专业支撑。
• 知识库管理：支持数据新增、删除、修改与版本控制，建立季度更新机制，同步更新定额标准、材料价格及历史案例数据，确保知识库时效性与适配性。

3.3 核心模块详细设计

3.3.1 检索模块设计

检索模块核心适配专利中的混合向量检索策略[8]，结合关键词检索缩小范围，实现章节匹配与定额候选筛选的双重精准度提升，具体流程如下：

1. 提资文本整合：提取提资文件中《提资表》的“设备材料名”“详情”等字段，合并生成设备材料信息文本，作为检索输入；
2. 混合向量检索：采用bge-3m模型将设备材料信息文本转换为稠密向量与稀疏向量，在Milvus向量数据库中与《提资-章节对照表》进行相似度匹配，获取Top-3候选章节；
3. 章节确认：将候选章节的提资与章节信息作为上下文，结合设备材料信息文本构建提示词，传入Qwen3-72B大模型，确认最优匹配章节及对应章节编号；
4. 定额候选筛选：根据确认的章节编号，从postgres数据库的《定额子目表》中提取该章节下所有定额子目，形成定额候选列表，完成检索环节。

该策略依托专利中的向量检索与大模型协同机制，既解决了非标准术语匹配难题，又通过章节预筛选缩小定额范围，兼顾检索效率与精准度，适配电力工程多样化提资场景。以下以220kV有载调压变压器提资为例，完整复现专利规定的全流程操作实例，所用模型、数据库均与本文系统设计一致（bge-3m向量化模型、Qwen3-72B推理模型、Milvus向量数据库、postgres关系型数据库）。

3.3.4 专利流程完整操作实例

本次实例选取某220kV变电站主变压器提资数据，严格遵循专利给定的7步流程，完成定额匹配与调价全流程，所有数据均来自电力工程标准提资表及系统知识库，确保实例的实用性与可复现性。

步骤1：提资文本整合

提取提资文件中【提资表】的“设备材料名”“详情”“型号”等核心字段，字段信息及合并后的设备材料信息文本如下：

• 设备材料名：三相油浸有载调压变压器
• 型号：SFSZ11-240000/220
• 详情：220kV三相三绕组，容量240MVA，电压等级220/110/10.5kV，冷却方式为强迫油循环风冷（OFAF），户外布置，绕组连接方式YN,yn0,d11，短路电压Uk1-2%=14%、Uk1-3%=64%、Uk2-3%=50%，带负荷调压范围±8×1.25%，低压套管型号4000/1A，5P15×2，30VA×2

合并生成设备材料信息文本（检索输入）：三相油浸有载调压变压器，型号SFSZ11-240000/220，220kV三相三绕组，容量240MVA，电压等级220/110/10.5kV，强迫油循环风冷（OFAF），户外布置，绕组连接方式YN,yn0,d11，短路电压Uk1-2%=14%、Uk1-3%=64%、Uk2-3%=50%，带负荷调压范围±8×1.25%，低压套管型号4000/1A，5P15×2，30VA×2。

步骤2：混合向量检索

采用bge-3m向量化模型，将步骤1生成的设备材料信息文本转换为768维稠密向量与稀疏向量，传入Milvus向量数据库，与库中【提资-章节对照表】（含1200+条电力设备提资-章节对应数据）进行余弦相似度匹配，获取Top-10候选章节（按相似度从高到低排序），具体如下：

1. 章节编号GD2，章节名称：主变压器安装，相似度98.7%
2. 章节编号GD3，章节名称：配电变压器安装，相似度82.3%
3. 章节编号GD4，章节名称：电抗器安装，相似度75.1%
4. 章节编号GD5，章节名称：互感器安装，相似度68.9%
5. 章节编号GD6，章节名称：断路器安装，相似度62.5%
6. 章节编号GD7，章节名称：隔离开关安装，相似度59.8%
7. 章节编号GD8，章节名称：避雷器安装，相似度56.2%
8. 章节编号GD9，章节名称：母线安装，相似度53.7%
9. 章节编号GD10，章节名称：电缆敷设，相似度49.6%
10. 章节编号GD11，章节名称：接地装置安装，相似度45.3%

步骤3：章节分类检验

将Top-10候选章节的提资匹配记录、章节核心工作内容作为上下文，结合步骤1的设备材料信息文本，构建定向提示词，传入Qwen3-72B大模型，完成最优章节确认，具体如下：

表1 定额候选列表（主变压器安装）

Plain Text 章节分类检验Prompt【上下文】候选章节1（GD2，主变压器安装）：涵盖220kV及以上电压等级三相/单相、油浸/干式变压器安装，含三绕组、双绕组及有载调压、无励磁调压类型，匹配核心参数为电压等级、容量、绕组类型、调压方式；候选章节2-10及对应工作内容略。 【设备材料信息文本】三相油浸有载调压变压器，型号SFSZ11-240000/220，220kV三相三绕组，容量240MVA，电压等级220/110/10.5kV，强迫油循环风冷（OFAF），户外布置，绕组连接方式YN,yn0,d11，短路电压Uk1-2%=14%、Uk1-3%=64%、Uk2-3%=50%，带负荷调压范围±8×1.25%，低压套管型号4000/1A，5P15×2，30VA×2。 【任务】结合上下文，判断该设备最匹配的章节及对应编号，说明推理依据，输出格式：最优章节编号+章节名称+推理依据。

大模型输出结果：最优章节编号GD2+章节名称主变压器安装+推理依据：该设备为220kV三相三绕组有载调压变压器，核心参数（电压等级220kV、容量240MVA、绕组类型三绕组、调压方式有载调压）与GD2章节的覆盖范围完全匹配，相似度98.7%，显著高于其他候选章节；其余章节（如GD3配电变压器安装）适配电压等级多为110kV及以下、容量≤120MVA，与目标设备参数不符，故确认GD2为主章节。

步骤4：定额候选筛选

根据步骤3确认的章节编号GD2，从postgres数据库的【定额子目表】中提取该章节下所有定额子目，筛选出适配“220kV电压等级、变压器安装”的子目，形成定额候选列表（共4条），具体如下：

表2 定额调价计算结果

定额编号	定额名称	单位	人工费（元）	材料费（元）	机械费（元）
GD2-21	220kV三相三绕组变压器安装 容量120000kVA以内	台	16835.69	14805.24	53951.54
GD2-22	220kV三相三绕组变压器安装 容量180000kVA以内	台	19660.62	17570.69	62006.45
GD2-23	220kV三相三绕组变压器安装 容量240000kVA以内	台	21477.89	20130.20	70396.60
GD2-24	220kV三相三绕组变压器安装 容量360000kVA以内	台	24668.51	23630.21	82851.71

步骤5：关键参数提取

依据专家提示词中GD2章节（主变压器安装）的核心关注参数（电压等级、容量、绕组类型、调压方式、冷却方式），从步骤1的设备材料信息文本中提取核心参数，结果如下：

• 电压等级：220kV（高压侧）、110kV（中压侧）、10.5kV（低压侧）
• 设备容量：240MVA（240000kVA）
• 绕组类型：三相三绕组
• 调压方式：有载调压（±8×1.25%）
• 冷却方式：强迫油循环风冷（OFAF）

步骤6：推理定额

整合设备材料信息文本、提取的关键参数、定额候选列表，结合GD2章节专用配定额提示词，统一组织Prompt传入Qwen3-72B大模型，进行综合判断并格式化输出，具体如下：

表3 系统构建提示词模板

Plain Text 定额推理Prompt【设备材料信息文本】三相油浸有载调压变压器，型号SFSZ11-240000/220，220kV三相三绕组，容量240MVA，电压等级220/110/10.5kV，强迫油循环风冷（OFAF），户外布置，绕组连接方式YN,yn0,d11，短路电压Uk1-2%=14%、Uk1-3%=64%、Uk2-3%=50%，带负荷调压范围±8×1.25%，低压套管型号4000/1A，5P15×2，30VA×2。 【核心参数】电压等级220kV、容量240MVA、三相三绕组、有载调压、强迫油循环风冷。 【定额候选列表】（对应GD2章节，共4条，详情略：GD2-21至GD2-24） 【GD2章节专用配定额规则】1. 定额匹配优先依据电压等级、容量、绕组类型；2. 容量按高压侧额定容量取值，单位换算标准1MVA=1000kVA；3. 冷却方式、调压方式不影响定额子目选择，仅作为后续调价依据。 【任务】综合上述信息，筛选最优定额，输出格式：最优定额编号+定额名称+推理过程，推理过程需贴合核心参数与配定额规则。

大模型格式化输出结果：最优定额编号GD2-23+定额名称220kV三相三绕组变压器安装 容量240000kVA以内+推理过程：1. 核心参数中电压等级220kV、绕组类型三相三绕组，与GD2章节下4条候选定额的适用范围一致；2. 设备容量240MVA=240000kVA，对应定额GD2-23的容量上限（240000kVA以内），与设备参数完全匹配；3. 定额GD2-21（≤120000kVA）、GD2-22（≤180000kVA）容量不足，GD2-24（≤360000kVA）容量冗余，均不符合最优匹配原则；4. 冷却方式、调压方式作为后续调价依据，不影响本次定额子目筛选，故确定GD2-23为最优定额。

步骤7：定额调价

根据步骤6匹配的定额编号GD2-23，确定对应章节为GD2，从postgres数据库的【章节-调价要求表】中提取GD2章节的调压方式调价规则：“带负荷调压变压器安装，人工费乘以1.2系数（R=1.2），材料费、机械费不调整（C=1.0，J=1.0）”；同时提取定额GD2-23的基础人材机费用，整合设备材料信息文本，构建调价Prompt传入Qwen3-72B大模型，计算调价系数及调价后费用，具体如下：

表4 数据清洗提示词模板

Plain Text 定额调价Prompt【设备材料信息文本】三相油浸有载调压变压器，带负荷调压范围±8×1.25%，对应最优定额GD2-23，所属章节GD2。 【基础费用】人工费21477.89元，材料费20130.20元，机械费70396.60元。 【调价规则】GD2章节调价要求：带负荷调压变压器安装，人工费系数R=1.2，材料费系数C=1.0，机械费系数J=1.0；调价公式：调价后费用=基础费用×对应系数。 【任务】计算调价系数、调价后各费用及总费用，输出标准化JSON结果，包含基础费用、调价系数、调价后费用、总费用。

大模型输出标准化JSON结果：
{
  “基础费用”: {
    “人工费”: 21477.89,
    “材料费”: 20130.20,
    “机械费”: 70396.60
  },
  “调价系数”: {
    “人工费系数R”: 1.2,
    “材料费系数C”: 1.0,
    “机械费系数J”: 1.0
  },
  “调价后费用”: {
    “人工费”: 25773.47,
    “材料费”: 20130.20,
    “机械费”: 70396.60
  },
  “总费用”: 116300.27
}
          

本次实例完整复现专利流程，通过各环节的参数匹配与逻辑校验，最终完成220kV变压器的定额匹配与调价，验证了专利流程在电力工程技经配定额工作中的可行性与准确性，与本文设计的RAG系统完全适配。

3.3.2 生成模块设计

生成模块严格遵循专利中的定向Prompt工程设计[8]，分两步完成定额匹配与调价系数计算，整合设备信息、候选数据、专业规则及通用文本，确保输出结果合规准确：

表5 定额匹配提示词模板

Plain Text 定额匹配Prompt示例【设备材料信息文本】主变压器 (220kV三相油浸有载变压器,240MVA,220/110/10,一体) 三相风冷三绕组有载调压变压器 户外一体布置 240000kVA/220kV 230(±8×1.25%)/115/10.5kV 240/240/120MVA,YN,yn0,d1 Uk1-2%=14% Uk1-3% =64% Uk2-3%=50% 套管: 低压:4000/1A,5P15×2,30VA×2; 【定额候选】[{“定额编号”:”GD2-21″,”定额名称”:”220kV三相三绕组变压器安装容量120000kVA以内”,”单位”:”台”,”人工费”:”16835.69″,”材料费”:”14805.24″,”机械费”:”53951.54″},{“定额编号”:”GD2-22″,”定额名称”:”220kV三相三绕组变压器安装容量180000kVA以内”,”单位”:”台”,”人工费”:”19660.62″,”材料费”:”17570.69″,”机械费”:”62006.45″},{“定额编号”:”GD2-23″,”定额名称”:”220kV三相三绕组变压器安装容量240000kVA以内”,”单位”:”台”,”人工费”:”21477.89″,”材料费”:”20130.2″,”机械费”:”70396.6″},{“定额编号”:”GD2-24″,”定额名称”:”220kV三相三绕组变压器安装容量360000kVA以内”,”单位”:”台”,”人工费”:”24668.51″,”材料费”:”23630.21″,”机械费”:”82851.71″}] 【属性特征】电压等级、绕组、相数量、容量 【电气通用文本】母线类型、GIS相关等电力工程常识 【单位换算要求】1MVA=1000kVA，电压等级排序：700kV>500kV>330kV>220kV>110kV>66kV>35kV>10kV 【任务】筛选最优定额，输出JSON格式，包含定额编码、定额名称、定额推理，推理需贴合属性特征与通用文本。

1.  定额匹配：将上述Prompt传入Qwen3-72B大模型，结合属性特征与电气通用文本，筛选最优定额并输出推理过程，完成定额匹配；2.  定额调价：根据匹配的定额编号确定对应章节，从《章节-调价要求表》中提取相关调价规则，整合设备材料信息文本构建调价Prompt，传入大模型计算人工费、材料费、机械费的调价系数（R、C、J），输出标准化JSON结果，完整复现专利调价流程。该机制解决了纯规则引擎难以处理的复杂逻辑判断问题，贴合电力工程定额匹配调价的实际需求。

3.3.3 审核与交互模块设计

1. 自动审核：基于校审规则库[2]，对生成的组价成果进行合规性检查，包括定额套用准确性、价格匹配合理性、取费标准合规性等，标记异常项并提供整改建议；
2. 人工干预：支持技经人员对自动组价结果进行编辑与调整，调整记录实时存入知识库，用于后续模型优化；
3. 可视化展示[9]：提供定额匹配路径、调价依据等可视化信息，实现决策过程可追溯。

四、实验验证与结果分析

4.1 实验设计

1. 实验数据：选取10项典型电力工程项目，涵盖220kV变电站、110kV输电线路、光伏电站等类型，收集提资文件、人工组价成果等数据作为实验样本。
2. 对比组设置：设置三组实验，分别为传统人工组价组、纯大模型组价组、基于RAG的系统组价组。
3. 评价指标：选取效率（组价完成时间）、准确性（定额匹配准确率、价格匹配准确率）、用户满意度（技经人员评分）三个核心指标进行对比分析。

4.2 实验环境

• 硬件环境：CPU为Intel Xeon E5-2680，内存64GB，GPU为NVIDIA Tesla V100；
• 软件环境：操作系统Ubuntu 20.04，Python 3.10，Milvus 2.3向量数据库，postgres关系型数据库，bge-3m embedding模型，Qwen3-72B大模型，FastAPI与React框架。

4.3 实验结果与分析

表6 不同组价方式实验对比结果

对比组别	组价平均耗时	定额匹配准确率	用户满意度（5分制）
传统人工组价组	2.5天/项目	85%	3.2分
纯大模型组价组	8小时/项目	78%	3.5分
基于RAG的系统组价组	1小时/项目	91%	4.8分

由表格数据可知，基于RAG的系统组价在效率、准确性与用户满意度上均优于传统人工组价与纯大模型组价。效率方面，相较于传统人工组价缩短95%以上，相较于纯大模型组价缩短87.5%，大幅减少提资解析、定额查询等重复劳动耗时，解放技经人员精力；准确性方面，定额匹配准确率较人工组价提升6个百分点，较纯大模型组价提升13个百分点，得益于检索增强机制有效规避了纯大模型的“幻觉”问题，提升专业适配性；用户满意度方面，凭借可视化追溯、人工干预便捷性等优势，评分显著高于其他两组，贴合实际工作需求。

4.4 系统稳定性验证

系统连续运行72小时，处理50个并发请求，响应时间波动范围为10-30秒，无崩溃或数据丢失现象，满足企业级应用的稳定性要求。

五、讨论

5.1 系统优势与应用价值

相较于传统人工组价与纯大模型组价，基于RAG的技经配定额系统具有显著优势：一是效率高，实现全流程自动化，大幅缩短组价周期；二是准确性强，检索增强生成机制提升了定额匹配与价格校准的精准度；三是易维护，无需频繁微调模型，仅需更新知识库即可适配政策与市场变化。

系统已在上海电力设计院的10个试点项目中应用，累计节省人工成本超百万元，为电力工程数字化造价管理提供了可复制的解决方案。

5.2 系统局限性与改进方向

系统存在两方面局限性：一是知识库对新兴工艺（如新型储能设备安装）的覆盖不足，导致部分非标准项目的匹配准确率较低；二是对复杂的工程量换算[4]（如土建专业的体积换算）支持能力有限。

后续改进方向包括：一是扩大知识库覆盖范围，纳入新能源、新型电力系统相关的定额与案例；二是引入计算机视觉（CV）技术，实现图纸信息的智能提取，提升工程量计算的自动化水平；三是融合BIM技术，构建“设计—造价”一体化的智能平台。

5.3 拓展应用展望

RAG技术在工程经济领域具有广阔的拓展应用空间，未来可延伸至工程成本快速估算、造价审核、合同条款生成等场景。通过融合物联网、大数据技术，可实现项目全过程成本动态管控，为新型电力系统建设提供精准的造价支撑。

六、结论

本文提出的基于RAG技术的技经配定额智能化系统，通过构建专业知识库、设计混合检索策略与定向Prompt工程，实现了提资解析、定额匹配、价格校准的全流程自动化。实验验证表明，该系统可显著提升技经配定额工作的效率与准确性，解决传统模式的核心痛点。研究成果不仅为电力工程造价管理的数字化转型提供了技术方案，也为RAG技术在垂直领域的应用提供了实践参考。未来，随着知识库的不断完善与技术的持续优化，系统将在更多工程领域发挥重要作用。

参考文献

[1] 吕岳, 余菊芳, 李俊元, 宋杰, 袁海洲, 樊倩男, 张时雨, 胡本哲, 孙岳, 刘树勇, 曹兵, 于北溟. 一种基于RAG的电网工程造价辅助审查系统[P]. CN121436891A. 2025.

[2] 刘雪颖, 云静, 李博, 史晓国, 张钰莹. 基于大型语言模型的检索增强生成综述[J]. 计算机工程与应用, 2025, 61(13).

[3] 作者待查. AI在工程造价知识库中的应用研究[D/OL]. 2025.

[4] 张鹏, 吴猛猛, 何仲林, 张安达. 一种基于AI的工程量清单自动组价方法及系统[P]. CN121836823A. 2025.

[5] 耿潇, 吴奕萱, 李修琳, 赵明, 胡艺阳, 刘卫星. 人工智能大模型在电力系统工程造价中的应用现状与展望[J]. 吉林电力, 2025, 53(4).

[6] 朱伟, 张帆, 王莉芳, 熊瑞晴, 陈琳, 易谆, 覃思航, 丰金浩. 基于人工智能与大数据的配电网工程全过程技经智能管理方法、系统及介质[P]. CN121304061A. 2025.

[7] 施晓敏, 刘士李, 高象, 陆欣欣, 陈付雷, 戚振彪, 范申, 李荣, 李建青, 徐飞, 赵迎迎, 方天睿, 沈思, 夏雅利, 杨帆, 付安媛, 唐越, 张俊炜. 基于人工智能的配网工程机械化施工定额优化方法及系统[P]. CN120706652A. 2025.

[8] 曹建平, 袁瑛, 徐春华. 基于深度学习的输变电工程造价异常识别与应用[J]. 工业控制计算机, 2018, 31(1).

[9] 朱伟, 陈思羽, 唐皓. 基于AI识别技术的造价编制一体化系统[J]. 技术经济, 2020, 38(1).

[10] 上海电力设计院有限公司技术经济咨询院. 利用人工智能大模型优化电网工程造价的前期研究[R]. 2025.

[11] 上海电力设计院有限公司技术经济咨询院. 人工智能在造价业务中的应用研究调研报告[R]. 2025.

...