Page 120 - 2023年第54卷第9期

系决策单元（ＲＤｅｒ＿１，ＲＤｅｒ＿２，ＲＤｅｒ＿３），表 ４结果表明，ＲＤｅｒ＿１的准确率为 ３个独立决策单元中最
高，但也远远低于 ＦＣＲＫＩ，这验证了引入群体智能策略可以提高 ＦＣＲＫＩ的鲁棒性。此外，独立的防汛
实体间关系决策单元结果也表明，在 ３种提示风格（开放式问题风格、限制性判断风格、限制性选择风
格）中开放式风格对防汛实体间关系推理是最有效的。与直接向 ＬＬＭ查询防汛知识相比，通过设计一系
列提示组成 ＡＩ链在实体抽取、知识挖掘和关系推理多个步骤中与 ＬＬＭ逐步进行交互可以有效提高 ＬＬＭ
响应的可靠性。群体智能策略可以缓解设计完美提示带来的挑战，进一步提高防汛知识推理的鲁棒性。
表 ５ ＡＩ链和群体智能策略有效性检验结果

方法 ＦＣＲＫＩ ＦＣＲＫＩ ｗ?ｏＡＩ ＦＣＲＫＩ － ＦＣＲＫＩ ｗ?ＯＭＶ ＲＤｅｒ＿１ ＲＤｅｒ＿２ ＲＤｅｒ＿３
ＡＩＣｏＴ
三元组总数 ４０９ ２５３ ２７５ ６６９ ４４６ ４０２ ２８３
正确数量 ３３５ １８０ １９８ ３６１ ２８５ ２６９ １７３
准确率?％ ８２ ７１ ７２ ５４ ６４ ６７ ６１

将采用 ＦＣＲＫＩ方法推理得到的防汛三元组知识存储进图数据库 Ｎｅｏ４ｊ以构建防汛知识图谱，其中
部分实体关系三元组如图 ７所示。

图 ７ 部分防汛抢险实体关系知识

５ 结论及展望

本文提出使用 ＬＬＭ作为 ＡＩ知识库进行大坝防汛知识推理的思路。ＦＣＲＫＩ通过将任务分解为单步
的执行流程，并设计有效提示来提高 ＬＬＭ响应的可靠性。所总结 ３个任务分析原则：（１）模块化任务
分解，即将总任务分解为子问题，设计子模块，并进一步设计功能单元；（ ２）子模块链接，即以特定
结构链接各子模块；（ ３）ＡＩ单元与非 ＡＩ单元组合，即编程逻辑清晰，规则定义明确的作为非 ＡＩ单元，
设计提示引导 ＬＬＭ作用于 ＡＩ单元。
与现有方法相比，ＦＣＲＫＩ有 ３个主要优点：（１）利用 ＬＬＭ丰富世界知识，打破了可利用文本数量
过少和文本质量偏低的局限；（２）使用无监督学习方法，省去了传统监督或半监督学习方法中由于人
工标注大规模数据带来的劳动开销；（３）上下文学习能力，可通过上下文学习有效捕捉到复杂长难句
中实体之间的关系。此外为了降低 ＬＬＭ响应错误的潜在风险，采用 ＡＩ链思想，分解任务步骤、设计
有效提示以及群体智能策略，大大提高了 ＦＣＲＫＩ的可靠性和鲁棒性，实验结果表明，ＦＣＲＫＩ可以高效
— １ １ ０ —
３