DRT Loom Synthetic Industrial Data Twin

DRT Loom是一个基于图的可扩展合成数据生成框架，用于创建可复现的合成工业企业。给定一个整数种子，它构建一个跨ERP、PLM、MES、CAD和企业文档的合成工业公司，然后从该单一模型派生结构化记录、知识图谱、文档、基准问题和地面真实数据。输出包含2793个实体、5309个类型化关系、204个文档、1个CAD装配体和18个带有地面真实数据的问题。DRT Loom is a graph-based scalable synthetic data generation framework for creating reproducible synthetic industrial enterprises. Given an integer seed, it constructs a synthetic industrial company spanning ERP, PLM, MES, CAD and enterprise documents, then derives structured records, knowledge graphs, documents, benchmark problems and ground truth data from this single model. The output contains 2793 entities, 5309 typed relationships, 204 documents, 1 CAD assembly, and 18 questions with ground truth data.

原始信息汇总

DRT Loom 数据集详情

数据集概述

DRT Loom 是一个基于图的可扩展合成数据生成框架，用于创建可复现的合成工业企业环境。该框架通过一个整数种子（integer seed）构建一个覆盖多个业务领域的合成企业，并从中推导出结构化记录、知识图谱、文档、基准问题及真实答案（ground truth）。

核心特性

特性	说明
方法	图基础合成数据生成（Graph-Grounded Synthetic Data Generation）
输出	合成工业数据孪生（Synthetic Industrial Data Twin）
推理单元	数字推理线程（Digital Reasoning Thread）
框架	DRT Loom
确定性	核心企业由确定性的 TypeScript 代码生成，不使用 LLM 发明实体、关系或基准真实答案
可复现性	同一种子可逐字节复现相同环境，不同种子生成不同环境但保持相同模式和推理类别
运行要求	Node 20+，无需网络、API 密钥、数据库或运行时依赖

数据集规模（参考环境）

指标	数值
输入	一个整数种子
输出	2,793 个实体 · 5,309 个类型化关系 · 204 个文档 · 1 个 CAD 装配 · 18 个带真实答案的问题
运行时	约 30 毫秒（无网络、无 API 密钥）
状态	v0.1.0

输出内容结构

data/generated/ ├── dataset.json 2.1 MB 2,793 个实体和 5,309 个类型化关系 ├── gold.json 12 KB 18 个问题及其预期 ID 和值 ├── documents/ 204 个 Markdown 文件 └── nx/ 1 个 NX 装配导出

• 实体 记录其来源文件（sourceFile），包含 ID、类型、标签、属性和来源位置。
• 关系 是类型化的，并带有 EXTRACTED、INFERRED 或 AMBIGUOUS 的来源标记。
• 文档 为 Markdown 格式，某些事实仅出现在文档中（如变更通知中的例外、多个检验报告中才能看到的失效模式）。
• 基准问题 每条问题携带正确答案应引用的实体 ID 和应陈述的标量值。

支持领域

领域	依赖	贡献内容
erp（核心）	—	客户、供应商、销售/采购订单、库存、供应商列表
plm（核心）	erp	零件、修订、图纸、产品、变体、物料清单、变更单
mes	erp, plm	工作中心、生产订单、工艺路线、零件预留
cad	plm	CAD 装配和组件、NX 装配导出
documents	erp, plm	规格书、作业指导书、协议、通知、会议纪要、电子邮件
logistics	erp	发货（针对已派发的销售订单）

核心领域（erp 和 plm）不可禁用；若禁用则视为配置错误。领域依赖会自动闭合。完整领域集可生成全部 18 个问题；仅 ERP 和 PLM 可生成 11 个问题。

配置参数

变量	默认值	作用
SEED	20260728	指定 npm run gen 生成的环境
OUT_DIR	data/generated	输出目录（相对或绝对路径）
BENCH_ROOT	仓库根目录	提取器读取和写入的树
DRT_DATASET	参考语料	评分器和图谱构建读取的数据集
DRT_GRAPH_OUT	<数据集目录>/graph	图谱构建的输出位置
PORT	5173	查看器端口

config.yaml 支持配置公司名称、规模（small/medium/large）和领域选择；验证严格且会明确指出错误。

生成自定义企业

可通过交互式命令或一行命令生成自定义企业，例如：

bash npm run generate -- --name "Alpine Drive Systems" --domains erp,plm,cad --size small

生成结果输出到独立目录，包含 config.yaml、generation.json、dataset.json、gold.json，以及（如选中）documents/、nx/、graph/。相同配置和种子可复现相同工件。

辅助工具

• 知识图谱构建（npm run graph）：生成 2,793 个节点、5,128 条边的有向图，输出 graph.json、graph.html、graph.cypher。图谱使用 Leiden 聚类，社区数量不可复现（构建时可能略有差异）。
• 环境浏览（npm run view）：静态文件 + 标准库服务器，不依赖构建步骤，提供系统视图、线程追踪、订单档案、问题重推导和评分功能。
• 评分（src/score/score.ts）：无依赖，无需 LLM 评判，支持引用评分和数值评分，包含名称解析和 NaN 处理。
• 着陆页（npm run site）：页面上的所有数字均由生成器运行产生，CI 自动重新生成，避免页面错误。

评分示例

评分可计算精确率、召回率、F1 分数以及数值匹配情况：

ts scoreCitations(enrichCitations(["SO-4711", "SO-4716"], answer), q.expectedIds); // → { precision: 1, recall: 0.074, f1: 0.138, hit: 2, expected: 27, cited: 2 }

scoreValues(answer, q.expectedValues); // → { matched: 3, total: 3, missing: [] }

知识图谱内容

生成的图包含 2,793 个节点和 5,128 条边（合并重复边后），保留 9 条 AMBIGUOUS 和 5,119 条 EXTRACTED 来源标记的边。图构建过程会创建 Python 虚拟环境并安装 Graphify 库。

搜集汇总

数据集介绍

构建方式

DRT Loom以整数种子为唯一输入，通过纯TypeScript程序化构建合成工业企业的核心模型。该框架摒弃了LLM参与实体与关系发明，确保所有实体、关系及基准真值均由确定性算法生成。生成流程以企业模型为基石，依次推导出结构化记录、知识图谱、文档语料及基准问题集。用户可通过CLI与config.yaml灵活选择ERP、PLM、MES、CAD、文档及物流等领域模块，并指定企业规模。所有选定领域共享同一构建器与随机流，保证跨领域关系与图导出源于统一企业模型，而非拼接独立数据集。最终产物涵盖2,793个实体、5,309条类型化关系、204份文档及18个带金标答案的基准问题，全程无网络依赖，运行耗时约30毫秒。

使用方法

使用者可通过npm命令快速构建个性化合成企业：`npm run generate`交互式配置企业名称、种子、规模及领域，或通过`--name`、`--domains`、`--size`参数一行生成。生成产物集中存储于指定目录，包含config.yaml配置快照、dataset.json实体关系数据、gold.json基准问题、文档及CAD装配文件。配合`npm run graph`可构建并可视化知识图谱，`npm run view`启动本地服务浏览各系统视角。评分功能通过`src/score/score.ts`实现，支持对答案的引用精确度、召回率及数值匹配度进行客观评估。环境变量如SEED、OUT_DIR、DRT_DATASET等支持灵活切换数据集与输出路径，确保实验的可配置性与可重复性。

背景与挑战

背景概述

DRT Loom Synthetic Industrial Data Twin 是由 Association Industrial AI (AI²) 开发的、基于可扩展图基合成数据生成框架的工业数据集。该数据集创建于2026年，源自 Digital Reasoning Thread 概念，旨在通过确定性生成方法构建合成工业企业，覆盖 ERP、PLM、MES、CAD 及文档等系统，输出实体、关系、知识图谱及带标准答案的基准问题。其核心价值在于解决工业 AI 评估中真实数据难以公开、跨系统推理无法测量的困境，为多领域联合推理提供可复现、可发布的基准环境，对工业智能系统的评测与研发具有重要影响力。

当前挑战

该数据集面临多重挑战。首先，工业领域评估的通用难题在于真实 ERP、PLM、MES 数据含商业与个人信息，难以公开，且现有公共语料多为单域（如维护日志、传感器数据），无法衡量跨系统记录连接的复杂推理。DRT Loom 通过生成企业而非收集数据规避此问题，但构建过程中需确保生成环境确定且无 LLM 参与，以避免事实核查偏差；同时需实现跨域共享模型，使 18 个基准问题及标准答案全部从统一企业模型推导，而非人工标注。此外，生成效率（约 30 ms）、可复现性（跨机器字节一致）及不同域名组合下问题的适配（如仅 ERP/PLM 时 11 个问题）构成技术挑战，尤其在保持逻辑连贯性与不依赖外部数据的前提下。

常用场景

经典使用场景

DRT Loom合成的工业数据孪生体为跨系统推理研究提供了前所未有的实验场。该数据集以单个整数种子为输入，程序化生成涵盖ERP、PLM、MES、CAD及企业文档的完整合成企业，产出2,793个实体、5,309条类型化关系及18个带精确基准答案的推理问题。其核心价值在于模拟真实企业中数据孤岛遍布、信息分散于异构系统的现实困境，使研究者能够在可控、可复现的环境中，系统性地探索智能体如何在跨ERP、PLM、MES等系统间执行多跳推理任务，回答诸如供应商延迟对客户交付影响的复杂业务问题。该数据集本质上构建了一个数字推理线程的测试平台，填补了传统单领域语料库无法衡量跨系统联接推理能力的空白。

解决学术问题

该数据集直面工业AI评估中的核心难题——真实ERP、PLM和MES数据因涉及商业机密与个人隐私而无法公开，现有公共语料库多为单领域文档检索基准，难以衡量企业级跨系统推理能力。DRT Loom通过全确定性生成方式解决了这一困境：所有实体、关系及基准答案均由TypeScript程序构建而非大语言模型生成，确保零LLM污染、结果可精确验证。数据集为评估智能体的多跳推理、跨系统信息整合、引用精确性及数值计算准确性提供了严格的量化基准，其gold answers包含实体ID和标量值的精确期望，支持可复现的评分体系，从而推动了工业AI从单一文档检索向复杂企业级推理评估的范式转变。

实际应用

在实际应用中，该数据集为工业AI助手及企业级知识图谱系统的开发与验证提供了坚实的测试床。研发团队能够利用生成的合成企业环境，评估不同AI系统在供应链风险预警、生产订单监控、物料追溯等实际业务场景中的表现。例如，系统需根据供应商延迟通知，自动关联受影响的客户订单并计算风险敞口金额，这一过程涉及跨ERP、PLM、MES系统的信息追踪与逻辑推理。此外，该数据集支持可配置域选择，使企业能够针对特定业务领域（如仅ERP与PLM）定制评估集，降低验证成本。其确定性生成特性确保了不同团队在不同时间获得完全一致的环境，为工业AI产品的持续集成、回归测试及版本比较提供了可靠依据，加速了从研究原型到实际部署的转化进程。

数据集最近研究

最新研究方向

在工业人工智能评估领域，合成数据生成正成为突破真实数据隐私与领域孤岛困境的关键路径。DRT Loom框架开创性地以图谱为基座，通过确定性程序化生成构建跨ERP、PLM、MES、CAD及文档系统的合成工业数据双胞胎，精准模拟企业级多系统联合推理的复杂场景。其核心理念——数字推理线程——旨在跨越传统系统边界，以图结构串联采购、生产、销售等全链路关系，为工业智能体提供可复现、可验证的基准测试环境。该工作不仅解决了真实工业数据难以公开分享的痛点，更推动了跨域知识图谱构建、多跳问答推理及人机协同决策等前沿方向的发展，为评估工业大模型和智能体系统奠定了坚实的数据基础，对工业AI的标准化测试与可信落地具有深远意义。