利用LLM作为混合智能系统的外部记忆、验证与规划层实现自动本体构建

本文提出了一种用于智能系统的混合架构，其中大型语言模型（LLM）通过一个外部本体记忆层进行扩展。与仅依赖参数化知识和基于向量的检索（RAG）不同，所提出的方法使用RDF/OWL表示构建并维护一个结构化的知识图谱，从而实现持久、可验证且语义扎实的推理。核心贡献是一个从异构数据源（包括文档、API和对话日志）自动构建本体的流水线。该系统执行实体识别、关系抽取、规范化和三元组生成，随后使用SHACL和OWL约束进行验证，并进行持续的图谱更新。在推理过程中，LLM在一个整合了基于向量的检索、基于图谱的推理和外部工具交互的组合上下文中运行。在包括汉诺塔基准在内的规划任务上的实验观察表明，与基线LLM系统相比，本体增强提高了多步推理场景中的性能。此外，本体层能够对生成的输出进行形式化验证，将系统转变为一个生成-验证-修正的流水线。所提出的架构解决了当前基于LLM的系统的一些关键局限性，包括缺乏长期记忆、结构理解薄弱以及推理能力有限。它为构建需要持久知识、可解释性和可靠决策的智能体系统、机器人应用和企业AI解决方案提供了基础。