KG优先，LLM后备：面向技能搜索与解释的混合微服务
信息检索
2026-05-05 v1 人工智能
摘要
权威能力框架如ESCO、ROME和O*NET对于将教育与劳动力市场对齐至关重要，但其技术复杂性和结构异质性阻碍了教育者的实际采用。本文引入SkillGraph-Service，一个为桥接此鸿沟而设计的可互操作微服务，将这些资源统一为一个保留来源信息的知识图谱（KG）。采用KG优先、LLM后备架构，该系统将符号严谨性与子符号灵活性相结合。它实现了一个轻量级混合检索引擎（融合SQLite FTS5和HNSW向量搜索），以处理教育者查询中的词汇不匹配，并严格用于受限排序和面向受众的解释。多语言数据集上的实证评估显示，所提出的混合策略在检索有效性（nDCG@5>0.94）方面显著优于，同时延迟不足200毫秒，使得针对该领域的计算密集型跨编码器重排序可能是不必要的。此外，对生成解释的分析突显了流畅性与忠实性之间的权衡：虽然JSON约束的LLM确保高引用精度，但确定性模板仍是最大化证据覆盖率的最可靠方法。 resulting architecture offers a practical, scalable, and auditable solution for integrating complex skill data into digital learning ecosystems.
引用
@article{arxiv.2605.01582,
title = {KG-First, LLM-Fallback: A Hybrid Microservice for Grounded Skill Search and Explanation},
author = {Ngoc Luyen Le and Marie-Hélène Abel and Bertrand Laforge},
journal= {arXiv preprint arXiv:2605.01582},
year = {2026}
}