Page 138 - 2025年第56卷第1期

浆领域指令数据时产生无效响应 ［２６］ ， 有关研究提出使用提示工程与思维链结合的方法来解决这一问
题 ［２４］ 。 因此， 在数据自动化生成阶段， 为充分利用通用 ＬＬＭ 模型的文本生成能力， 本文提出一个双
策略数据生成流程， 具体分为提示工程构建、 思维链策略数据生成与评分策略数据筛选三个步骤。
在构建提示工程时， 秉承 “条理清晰， 分层迭代， 示例跟随” 的原则， 构建提示文本， 如图 ３ 所
示。 完整的提示工程包含提示头、 结构化要求、 示例与输入。 提示头提供提示工程所需的角色和任务
的上下文， 保证 ＬＬＭ 的跟随能力； 结构化要求部分表明任务的细节， 以及提供思考顺序的思维链， 保
证回答在思维链上的跟随性； 示例部分是思维链的延拓， 提供更为标准化的模板。 在提示工程的最
后， 为实际参与数据生成的输入文本。

图 ３ 提示工程结构

在思维链数据生成部分， 本文选取 Ｑｗｅｎ－１４Ｂ－Ｃｈａｔ 模型作为数据抽取基座 ［２７］ ， 该模型是由阿里
巴巴开源的一个强大的通用 ＬＬＭ， 具备良好的中文理解能力。 此外， 为处理幻觉现象与部分低质量回
答， 引入了思维链策略， 设计了一种基于思维链的自我检查机制， 对生成数据的数量、 格式和要求进
行检查。 自我检查时， 基于连续的链式思考， 对不符合要求的数据进行重新生成， 对满足要求的数据

以 Ｊｓｏｎ 字符串的形式进行输出， 基于思维链策略的自我检查机制的示例如图 ４ 所示。
最后， 通过引入 ＬＬＭ 评分策略， 对 Ｑｗｅｎ－１４Ｂ－Ｃｈａｔ 所生成的中间语料进行再次筛选。 筛选数据

的 ＬＬＭ 模型为 Ｂａｉｃｈｕａｎ ２－１３Ｂ－Ｃｈａｔ， 打分细节可参考文献［２４］。
３．４ 反馈策略修正 经过双策略数据自动化生成， 灌浆指令数据在逻辑层次上能够提供良好跟随性。
然而， 随着文本的增长， 《水工建筑物水泥灌浆施工技术规范》中部分数值数据在指令数据生成阶段会

出现数值篡改或滞后的现象。 因此， 最后的数据还需要经过人工反馈校正与修复， 从而提供可微调、
精确的灌浆指令数据集。

４ 灌浆领域微调与工程文档检索增强生成

４．１ 基于 ＬｏＲＡ 微调的灌浆知识注入 ＬｏＲＡ 方法通过假定模型在微调阶段存在低秩性， 将待优化模

— １ ３ ３ —