ConMem：面向长周期制造巡检日志的贡献感知记忆

长周期的钢铁设备巡检需要对多次巡检周期中积累的异构记录进行推理。现有检索增强生成系统将历史日志视为静态语料，保留记录时不估计其诊断价值，无法及时上报早期风险。为此，我们提出 ConMem，一个面向 LLM 辅助设备巡检的贡献感知记忆框架，支撑人在回路的早期风险筛查系统。具体而言，ConMem 首先将巡检日志切分为功能性证据单元，随后通过 Shapley 式估计评估每个记忆单元对下游诊断的贡献，最后在受限记忆预算下保留高价值证据。实验中，我们在真实数据集上评估 ConMem，其问答准确率达 76.0%，超过最强的直接可比基线。相较于朴素的 8K 上下文 LLM 基线，它将平均输入 token 数减少 88.2%，响应时间缩短 86.6%。消融研究还表明，功能角色感知的切分与基于贡献的估值有助于为针对性现场巡检优先排布微弱退化信号。实际部署进一步证实，ConMem 能在三个巡检周期内保留微弱的早期信号，为现场巡检人员提供针对密封件磨损的早期预警。