一、报告归档与数据库不是一回事
报告面向一次任务交付，数据库则要支持跨材料、跨批次、跨设备和跨时间分析。如果报告里的样件简称、材料批次、设备编号、喷嘴状态和原始曲线位置没有统一字段，数字看起来齐全，却没法确认哪些结果可以直接比较。共享文件夹是存储，不是治理。报告本身不会自动形成可用数据库，需要持续的数据治理投入。
二、一条可信数据至少要连起五类对象
材料与试样
编号、批次、工艺、方向、尺寸、状态，明确测的究竟是哪一个对象。
设备与标定
设备、喷嘴、传感器、校准和维护版本，确认测量链当时是否有效。
试验工况
热流、压力、流量、距离、时间及动态曲线，判断两个结果是否处于可比边界。
响应与现象
温度、质量、退蚀、图像、裂纹和异常，记录材料怎样响应和失效。
处理与结论
清洗规则、算法版本、人员、报告和审批，使结果能够复算和复核。
三、为什么只提取最终烧蚀率不够？
烧蚀率是结果，不是全部上下文。两个数值接近，可能分别来自稳定热流下的均匀退蚀和局部剥落后的平均结果；两个数值差异明显，也可能是喷嘴状态、标定版本或样件方向不同造成的。若数据库没有保存输入边界和异常标记，模型会把设备差异误学成材料规律。
四、数据库、知识图谱和 RAG 各自做什么？
结构化数据库
保存可查询、可统计的对象、工况、结果和曲线索引。
知识图谱
表达材料、工艺、试样、设备、现象和报告之间的复杂关系。
RAG
从报告、标准和纪要中检索证据片段，辅助生成带来源的回答。
向量库不能替代数值数据库，知识图谱也不能替代原始曲线。更务实的顺序是：先统一编号、核心字段、单位和原始文件索引，再根据明确场景增加关系模型和语义检索。
五、从最小可用数据库开始
选择一种材料或一类试验，先完成五项基础工作：对象唯一编号、关键工况字段、单位与枚举口径、原始曲线位置、处理算法及版本。抽取一组历史记录做可比性审查，统计缺失率、异常率和不可比原因，再决定迁移范围。