文章大纲
- 只要过一遍LLM的简约版本
-
- 1 设计原理（一句话）
- 2 极简数据流
- 3 最小依赖实现（本地 SQLite + OpenAI 兼容端点）
-
- 3.1 一次性准备：Excel → SQLite
- 3.2 关键词提取 + 查表（正则 / SQL）
- 3.3 单次 LLM 调用
- 4 运行结果示例
- 5 性能 & Token 对比
- 6 可扩展点
- 7 参考实现链接
- 简约升级版，支持结构化，非结构化数据源
-
- 1 设计总览
- 2 最小依赖
- 3 代码实现（可直接复用）
-
- 3.1 统一载入器
- 3.2 万能查询器
- 3.3 整合到单次 LLM 调用
- 4 使用示例
- 5 扩展方向（仍保持原生）
请根据上文，我想到了一种比google llm function-calling还简单的办法，无 RAG：Function-Calling 查表模式
仍然需要两次经过llm ，而如果我们通过本地的查询方式从日志关键词，关键字段中映射excel 的key 获取其关键内容【类似查询数据库】然后返回结果，进而丰富、完善进入llm 的prompt内容， 则只需要一次经过llm 就可以直接获取根因分析的答案，更加简洁、快速、准确，请根据我的设计完善方案和样例代码，给出原理，参考实现的链接
只要过一遍LLM的简约版本
1 设计原理（一句话）
先拿日志关键词做 确定性键值匹配（本地 dict/SQL），把 Excel 中对应行直接拼进 Prompt，再让 LLM 一次性生成根因与建议；
减少一次 LLM 往返，Token 更低、延迟更低、准确率可控。
2 极简数据流
日志原文 ──正则提取──▶ device_id, fault_code ──本地查表──▶ Excel 行│▼LLM Prompt = 日志 + Excel 行 ──▶ 根因+建议
mybatis和hibernate的 缓存区别?)
版)
