“AXON”：一个面向专卖执法领域的闭环、 多维知识增强框架

洪 光华, 高 苗苗, 余 金文, 胡 洲鹏, 沈 培艺
江西省烟草公司上饶市公司

摘要


为解决大语言模型（LLM）在知识密集型专业领域因缺乏深度业务理解与知识持续进化能力而难以落地的
挑战，本文提出了一个名为“AXON”的闭环、多维知识增强框架。AXON的核心贡献在于：1）一套面向业务的知
识原子化与多维表示模型，它通过“八维坐标系”对知识进行深度语义标注与结构化，显著提升了检索上下文的精
确性；2）一条人机协同的自动化知识处理流水线，通过闭环工作流，将新增的专家知识无缝地、自动化地注入知识
库，实现知识体系的持续迭代。实验结果表明，相较于传统检索增强生成（RAG）方法，本框架在关键业务任务上
的可用性与逻辑性平均提升超过60%，证明了该方案在赋能专业领域AI应用上的显著成效。

关键词


知识工程；大语言模型；检索增强生成；知识原子化；人机协同

全文:

PDF


参考


[1]Lewis, P., Pérez, E., Piktus, A., et al. (2020).

Retrieval-augmented generation for knowledge-intensive

NLP tasks. Advances in Neural Information Processing

Systems, 33, 9459-9474.

[2]Gao, Y., Xiong, Y., Gao, X., et al. (2023). Retrievalaugmented generation for large language models: A survey.

arXiv preprint arXiv:2312.10997.

[3]Amershi, S., Weld, D., Vorvoreanu, M., et al. (2019).

Guidelines for human-AI interaction. In Proceedings of the

2019 CHI conference on human factors in computing systems

(pp. 1-13).

[4]Shneiderman, B. (2020). Human-centered artificial

intelligence: Reliable, safe, and trustworthy. International

Journal of Human-Computer Interaction, 36(6), 495-504.

[5]Zaharia, M., Chen, A., Zou, J., & Stoica, I. (2023).

Operationalizing large language models: An engineering view.

arXiv preprint arXiv:2311.08119.


Refbacks

  • 当前没有refback。