La nueva industria de vehículos de energía (NEV) genera enormes datos heterogéneos de múltiples fuentes. Para superar las limitaciones de las bases de datos tradicionales en la desambiguación de términos y el razonamiento de múltiples saltos, este documento propone una arquitectura de preguntas y respuestas (QA) basada en un grafo de conocimiento (KG). Se abordan tres desafíos principales del dominio: Primero, para abordar la mala extracción semántica de textos diagnósticos informales, se integra una red de análisis semántico profundo (BERT-BiLSTM-CRF) para extraer conocimientos de alta precisión de 150,000 registros de mantenimiento del mundo real. En segundo lugar, para resolver la redundancia topológica, se emplea la especificación del Grafo de Propiedades Etiquetadas (LPG) para encapsular parámetros de 2157 modelos de vehículos como atributos internos, lo que simplifica significativamente el razonamiento complejo de múltiples saltos. Finalmente, para mejorar las capacidades de razonamiento limitadas, un módulo de clasificación de intenciones (TextCNN) traduce automáticamente el lenguaje natural en consultas de grafo, permitiendo un rastreo profundo de fallos a través de hasta cinco niveles semánticos. Los resultados experimentales demuestran una precisión del 98% y del 93% en el reconocimiento de entidades-relaciones y en la clasificación de intenciones, respectivamente. El KG resultante (8274 nodos, 14,488 aristas) establece un paradigma escalable para el razonamiento diagnóstico inteligente en dominios verticales complejos.