在云网运维服务领域，故障处理后的工单回单质量直接决定了运维知识能否被有效沉淀与复用。针对当前回单内容缺失、格式混乱、过度依赖人工经验等痛点，本文提出一套“大语言模型+向量数据库+随机森林”融合框架，构建可动态更新的外挂向量知识库，实现故障案例与运维手册的精细化切片与向量化存储；利用基于mT5模型的零样本学习清洗历史工单数据，并基于随机森林算法训练“处理措施推荐模型”；通过RAG检索增强与决策树推理双路召回，生成动态Prompt，驱动7B参数大模型输出结构化、可解释的回单内容。该方法对通过提升工单填报质量来强化运维知识体系的构建与复用和提升运维智能化水平具有参考意义。