关键词Semiconductor · Ontology · GraphRAG · LangGraph · ReAct · Root Cause Analysis · Knowledge Graph · LLM Agent一、为什么晶圆厂的 RCA 需要一个虚拟工厂半导体制造是人类工业中最复杂的流程之一。一片晶圆的诞生要经历500 工艺步骤横跨数十台设备任何一个环节的微小偏差都可能导致良率雪崩。当 Lot-W80 的良率从 95% 掉到 82% 时传统 RCA 流程是这样的工程师打开 MES 系统→ 查批次流转记录翻设备报警日志→ 对照 SOP 逐条排查开会讨论→ 3 小时后初步定位痛点很清晰数据散落在 MES、FDC、YMS 等孤岛中人肉串联信息链路效率低且依赖个人经验。本文介绍一个Virtual Fab RCA Agent 系统的 MVP 实现核心思路一句话概括用Palantir Ontology的语义建模思想 GraphRAG的图增强检索 LangGraph的 ReAct 循环让 LLM Agent 在虚拟工厂的语义层上自主推理定位根因并直接执行业务动作。二、理论闪光点一Palantir Ontology 不是知识图谱是可操作的业务世界很多人听到 Ontology 第一反应是知识图谱或RDF/OWL。但在 Palantir 的语境里Ontology 的含义截然不同——它不是学术意义上的本体论而是一套业务运行模型Business Operating Model。层次本体观技术代表核心能力L1对象中心ER 模型 / OOP描述实体、字段、属性L2对象 关系Graph / Knowledge Graph表达复杂关系和路径L3关系 行为 约束Palantir Ontology对象、关系、动作、权限、审计L3 的核心突破知识图谱让你知道得更多Ontology 让你做得更对。本项目的 Ontology 建模直接对标 L3(以下是mermaid代码)graph TD subgraph Ontology Layer A[Object Typesbr/业务实体] -- B[Link Typesbr/语义关系] A -- C[Action Typesbr/可执行业务操作] subgraph A_Details A1[Lot] A2[Wafer] A3[Equipment] A4[ProcessStep] A5[Defect] end subgraph B_Details B1[CONTAINS] B2[PROCESSED_ON] B3[HAS_STEP] B4[ASSIGNED_TO] B5[HAS_DEFECT] end subgraph C_Details C1[hold_lot_action(lot_id)br/暂停批次防止继续加工] end end设计哲学LLM Agent 不直接操作底层数据库而是在这个语义抽象层上看到一个虚拟工厂——里面有批次、晶圆、设备、缺陷它们通过语义关系相连Agent 可以查询、推理、并直接采取行动。三、理论闪光点二GraphRAG 让 RAG 从向量检索进化到图推理传统 RAG 的瓶颈在于向量相似度检索只能找到相关文档片段无法回答需要多跳推理的因果链问题。比如为什么 Lot-W80 良率下降这个问题答案藏在一条长链中Lot-W80 → 包含 → Wafer-W80-00 → 存在缺陷 → Particle 类型 ↓ Wafer-W80-00 → 在设备上加工 → ETCH-A03 → 报警计数偏高这条链涉及4 跳关系遍历传统 RAG 根本无法捕捉。GraphRAG 的解决思路是用户查询LLM 分析图检索沿知识图谱关联路径探索属性查询获取详细数据综合推理最终结论关键区别检索单元不是文本 chunk而是图谱中的节点和关系。LLM 可以沿着图的边走到任意深度发现隐藏的因果链。本项目用NetworkX 内存图 SQLite 属性存储实现了轻量级 GraphRAGNetworkX DiGraph存储 Object 间的 Link58 个节点 / 111 条边支持多跳遍历SQLite SQLModel ORM存储 Object 的详细属性良率、报警计数、缺陷坐标等两者通过 node_id 关联查询时先图遍历再属性补全四、理论闪光点三LangGraph ReAct 循环——让 Agent 具备思考-行动闭环ReActReasoning Acting是目前工业级 Agent 系统的核心范式。其核心思想是LLM 不是一次性生成答案而是交替进行思维链推理和工具调用直到信息充分后给出最终结论。本项目用 LangGraph 编排 ReAct 循环mermaid代码flowchart TD A[用户查询br/为什么 Lot-W80 良率下降] -- B[Agent Nodebr/LLM 推理] B -- C[推理: 我需要先查询 Lot-W80 的详细信息...] C -- D[决定调用 get_object_details] D -- E[Routerbr/判断下一步] E --|action get_object_details| F[Tool Nodebr/执行工具] F -- G[调用 get_object_details(Lot, Lot-W80)] G -- H[返回: 良率 82%, 产品 14nm-FinFET...] H -- I[结果写回 GraphState.messages] I -- B B --|最终: action FINISH| J[输出根因报告]LangGraph 的核心价值在于 Stateful Graph Orchestration——跨步骤维护共享状态GraphState.messagesAgent 的每一次思考、每一次工具调用都被记录形成完整的可审计推理链。五、实战演示Agent 如何定位良率根因以为什么 Lot-W80 的良率下降了为例完整展示 Agent 的推理过程Step 1查询批次属性→ 调用 get_object_details(Lot,Lot-W80)← 良率82%目标90%状态 RUNNING产品 14nm-FinFETStep 2查询包含晶圆→ 调用 query_ontology_graph(Lot-W80,relationCONTAINS,directionout)← WAFER-W80-00,WAFER-W80-01,WAFER-W80-02,WAFER-W80-03,WAFER-W80-04Step 3检查晶圆缺陷→ 调用 query_ontology_graph(WAFER-W80-00,relationHAS_DEFECT,directionout)←3个缺陷类型均为 ParticleStep 4追溯加工设备→ 调用 query_ontology_graph(WAFER-W80-00,relationPROCESSED_ON,directionout)← ETCH-A03 → 调用 get_object_details(Equipment,ETCH-A03)← 报警计数5偏高状态 WARNINGStep 5综合推理输出结论根因定位ETCH-A03 腔体报警计数为 5明显偏高。Lot-W80 的前两片晶圆各检测到 3 个 Particle 类型缺陷。建议措施暂停 Lot-W80 继续加工✅hold_lot_action(Lot-W80)已执行检查 ETCH-A03 的腔体状态和 RF 功率稳定性排查是否存在腔体污染问题整个流程无需人工干预Agent 自主完成从提问到行动的闭环。六、技术架构全景mermaidgraph TB subgraph 用户界面 UI[Flaskbr/http://localhost:5000] end subgraph API 层 API[FastAPI] API_1[/investigatebr/启动 RCA 调查/] API_2[/graphbr/导出图结构/] end subgraph Agent 层 AGENT[LangGraph ReAct] AGENT_NODE[Agent Nodebr/LLM 推理] ROUTER[Router] TOOL[Tool Nodebr/执行工具] end subgraph Ontology 层 ONTOLOGY[NetworkX SQLite] subgraph 图存储 GRAPH[NetworkX DiGraphbr/58 nodes/111 edgesbr/多跳图遍历] end subgraph 属性存储 DB[SQLite (SQLModel ORM)] DB_TABLES[5 张表:br/Lot, Wafer, Equipment,br/ProcessStep, Defect] end end UI -- HTTP -- API API -- AGENT AGENT_NODE -- ROUTER ROUTER -- TOOL AGENT -- ONTOLOGY GRAPH -- DB技术选型要点选择理由NetworkX 替代 Neo4jMVP 阶段无需部署图数据库服务内存图足够支撑百级节点启动即生效SQLite 替代 PostgreSQL单机部署零依赖SQLModel ORM 提供类型安全的查询接口LangGraph 替代 LangChain LCEL需要显式的状态管理和条件路由LangGraph 的 StateGraph 天然适配 ReActDeepSeek APIOpenAI 兼容接口切换成本低适合快速验证七、从 MVP 到生产下一步 Roadmap方向具体内容实时数据接入对接真实 MES/FDC 系统替代模拟数据向量检索增强集成 Embedding支持缺陷描述的语义相似度查询多 Agent 协作Planner Executor Summarizer 角色分工图可视化D3.js / vis.js 展示知识图谱辅助工程师理解权限与审计基于角色的 Action 授权操作留痕八、总结这个项目的核心理论贡献可以归纳为三点Ontology 作为 Agent 的操作界面将 Palantir Ontology 的 L3 建模思想引入晶圆厂场景Object Link Action 三层抽象让 LLM 从回答问题进化到操作业务。GraphRAG 实现图推理型 RAG用图遍历替代向量检索解决多跳因果链推理问题。LangGraph ReAct 闭环Stateful 图编排确保推理过程可观测、可审计、可回溯。代码已开源欢迎 Star Fork https://github.com/BumbleBee-ZDS/wafer_ontology_mvp如果你对LLM 知识图谱 工业场景的交叉领域感兴趣欢迎关注后续会持续分享更多实战经验。
