基于大语言模型的多智能体系统在流程知识获取中的设计与评估：推动业务流程管理的智能化转型

《Business & Information Systems Engineering》：Large Language Models for Process Knowledge Acquisition

【编辑推荐】针对业务流程管理中知识获取效率低、依赖人工等挑战，本研究提出一种基于大语言模型(LLM)的多智能体系统PKAI。研究通过设计科学方法，定义了19项设计需求，开发了覆盖准备、社会化和外化三阶段的智能体系统。实证表明，PKAI能提升流程模型语义和语用质量，支持领域专家自主探索知识，为业务流程发现提供新范式。

　　

在当今快速变化的商业环境中，业务流程管理(Business Process Management, BPM)已成为组织提升运营效率、实现战略对齐的关键手段。然而，流程知识的获取始终是BPM面临的核心挑战。传统上，企业主要依靠研究、自动化发现和启发三种方式获取流程知识。研究需要分析师手动分析各类文档；自动化发现如流程挖掘(process mining)虽能捕获信息系统中的数据轨迹，但难以捕捉情境性和隐性知识；而启发方法虽能通过访谈、工作坊等方式直接与领域专家互动，却耗时耗力，且易受分析师主观解读影响。这些方法各自存在明显短板，导致许多组织在流程发现阶段陷入效率瓶颈。

更棘手的是，流程知识往往以隐性形式分散在不同专家脑中，传统方法难以系统化提取和转化。正如知识创造理论所指出的，从隐性知识到隐性知识的社会化(socialization)，以及从隐性知识到显性知识的外化(externalization)，是知识创造的关键环节。而在业务流程管理语境下，如何有效支持这两个环节的衔接与迭代，成为提升流程发现效率和质量的核心问题。

正是在这样的背景下，那慕尔数字研究所的研究团队开始探索如何利用新兴的大语言模型(Large Language Models, LLMs)来改变这一现状。他们意识到，LLMs在自然语言处理和文本生成方面的卓越能力，为流程知识获取带来了全新可能。这些模型能够分析文档、促进交互式查询，甚至有望理解业务流程的语义复杂性。然而，如何将LLMs有效融入知识获取全过程，仍是一个未被深入探索的领域。

为了系统化解决这一问题，研究人员采用了设计科学研究(Design Science Research, DSR)方法论，通过问题诊断、技术发明和技术评估三个阶段的循环迭代，开发了一个名为PKAI(Process Knowledge Acquisition with LLMs)的多智能体系统。这项创新性研究近期发表在《Business & Information Systems Engineering》期刊上。

研究团队首先通过深入访谈11位经验丰富的业务流程分析师，识别出当前流程知识获取过程中的19项关键挑战，并将其转化为具体的设计需求。这些需求涵盖了社会化阶段的时间管理、建模视角对齐、情境洞察支持，以及外化阶段的粒度适配、协作建模支持等方面。

基于这些需求，团队构建了PKAI系统，该系统通过专门设计的智能体(agent)来操作知识获取的三个核心阶段：准备(preparation)、社会化(socialization)和外化(externalization)。在准备阶段，流程分析师可以上传相关文档，系统会基于检索增强生成(Retrieval-Augmented Generation, RAG)技术提供领域理解支持和问题建议，帮助分析师定制访谈框架。社会化阶段则通过对话式智能体模拟半指导性访谈，引导领域专家传递流程知识，同时实时生成流程图以促进知识验证。外化阶段系统自动生成BPMN(Business Process Model and Notation)模型和配套文档，为分析师提供结构化知识基础。

在技术实现方面，PKAI采用了多智能体架构，不同智能体各司其职，通过共享内存协同工作。系统集成了多种技术方法：基于LlamaIndex的文档索引和检索增强生成用于领域知识支持；专门设计的对话管理机制用于访谈流程控制；结合结构化输出功能的BPMN元素识别算法；以及基于NetworkX的图结构转换技术用于BPMN 2.0标准文件生成。

为了验证PKAI的有效性，研究团队进行了三轮实证评估。首轮演示验证中，9位业务流程分析师对系统功能进行了实际测试，结果显示系统的感知有用性得分达5.36，易用性得分达5.44(7分制)，证实了方案的实用价值。

随后的准实验研究设置了更为严谨的对比测试，26名参与者被分为不同组别，分别采用传统方法和PKAI支持的方法完成流程建模任务。基于3QM框架的质量评估表明，PKAI支持的领域专家生成的模型在语义维度上与传统方法相当，而PKAI支持的分析师所构建的模型在语义和语用质量上均有显著提升。具体而言，在相关性方面，PKAI生成的模型冗余活动比例从20%降至9-11%，冗余事件比例从10%降至3-7%，表明模型更加精炼。在完整性方面，支持的分析师模型活动完整性从65%提升至77%，显示出更好的语义覆盖。

最后，在真实企业环境下的案例研究进一步证实了PKAI的实用价值。研究人员在一家咨询公司中选取了三个人力资源管理流程(招聘、入职、薪酬管理)，由一位经验丰富的流程分析师和三位领域专家实际使用PKAI系统。研究发现，PKAI不仅标准化了知识获取过程，还使领域专家能够异步参与，显著提升了协作效率。虽然系统生成的初始模型在完整性(44%)和灵活性(42%)方面尚有提升空间，但经过分析师 refinement 后，最终模型的完整性达到91%，正确性保持85%，证明了PKAI作为知识获取启动工具的有效性。

研究结果部分通过多个维度展示了PKAI的实际效果。在设计需求验证方面，研究人员通过后续访谈确认了19项设计需求与系统功能之间的有效映射。参与者普遍认为PKAI输出的概念模型为理解未知流程提供了良好起点，使业务流程发现不必"从零开始"。

在知识形式化影响方面，准实验研究揭示了有趣发现。PKAI直接生成的模型在语义质量上与初级分析师手工创建的模型相当，而在支持分析师工作时，能显著提升产出模型的质量。特别是在语义维度上，支持的分析师模型在相关性(94%对86%)和正确性(96%对92%)方面均优于对照组。这表明PKAI在提升模型语义丰富性方面具有明确价值。

在知识获取过程影响方面，真实案例研究揭示了PKAI如何改变传统工作模式。领域专家能够通过系统进行自主的知识探索，甚至完成知识的初步形式化，这在传统流程发现中是难以实现的。同时，流程分析师的角色从知识收集者转变为知识精炼者和验证者，能够更专注于高价值的分析工作。

研究的讨论部分深入分析了这些发现的理論意义和实践价值。从理论角度看，本研究首次将流程发现重新置于知识获取理论的框架下，为理解和支持这一过程提供了新的概念基础。提出的设计需求不仅适用于业务流程管理语境，也对更广泛的组织知识获取实践具有参考价值。

从实践角度看，PKAI代表了一种人机协作的新范式。它并非要取代流程分析师，而是通过增强领域专家的能力，重新分配知识获取过程中的任务角色。这种模式能够有效解决传统方法面临的核心挑战：访谈时间不足、知识标准化困难、隐性知识获取效率低等问题。

然而，研究也指出了当前方案的局限性。PKAI在处理分布式知识(IC1)、粒度管理(IC2)和模型完整性(IC3)方面仍有提升空间。此外，系统目前仅支持BPMN的部分元素子集，在表达复杂流程模式时存在限制。这些局限为未来研究指明了方向，包括集成更先进的启发技术、扩展建模能力、以及评估系统在不同组织环境下的适用性。

这项研究的真正意义在于它为业务流程管理的未来发展提供了一个可行路径。在人工智能快速发展的背景下，PKAI展示了如何将先进的大语言模型技术与深厚的领域知识相结合，创造真正增强人类能力的工作方式。这种以人为中心、技术为支撑的知识获取新模式，不仅能够提升业务流程管理的效率和效果，更可能重新定义组织中知识创造和传递的基本方式。