增强型RAG–LLM框架在可持续工业工程与管理决策支持中的应用

《Sustainability》:An Enhanced RAG–LLM Framework for Decision Support in Sustainable Industrial Engineering and Management

【字体: 大 中 小 】 时间:2026年08月18日 来源:Sustainability 4.1

编辑推荐:

  检索增强生成(RAG)结合大语言模型(LLM)为工业领域知识与LLM推理能力融合提供了新技术路径,在可持续工业决策支持中具有较大应用潜力。然而,现有基于RAG的决策支持方法主要关注语义相关性提升,在工业知识治理、检索证据在决策全过程参与、决策结果实施前验证与反

  
检索增强生成(RAG)结合大语言模型(LLM)为工业领域知识与LLM推理能力融合提供了新技术路径,在可持续工业决策支持中具有较大应用潜力。然而,现有基于RAG的决策支持方法主要关注语义相关性提升,在工业知识治理、检索证据在决策全过程参与、决策结果实施前验证与反馈方面仍显不足,限制了决策结果的准确性、可追溯性与可靠性。针对上述问题,研究人员提出一种面向可持续工业决策支持的RAG–LLM框架。该框架从多源异构工业数据生成具有明确证据边界的受治理知识单元,并结合混合检索、证据封装及验证反馈机制,实现可靠工业知识检索与可控决策生成。研究在可持续工业工程与管理决策场景中开展模拟实验,覆盖设备故障诊断、质量异常分析、能源优化与废水合规管理四类代表性任务。结果表明,所提方法有效提升证据检索性能与内容覆盖率:混合检索策略下,平均Recall@6由BM25的0.7917升至1.0000,平均nDCG@6由0.8398升至1.0000,平均GVR@6由0.1667降至0;增强RAG–LLM在不同LLM下保持高黄金标准源覆盖,ChatGPT 5.5、Gemini 3.5 Flash、DeepSeek V4 Flash组合均值分别为1.0000、0.9917、0.9750;引入决策实施前反馈调节后,代表性任务响应平均证据源ID覆盖率由0.4167升至1.0000。全过程绑定带源标签证据的机制进一步提升了生成结果可验证性与决策证据可追溯性,表明该增强RAG–LLM框架可为可持续工业工程与管理提供可靠决策支持。未来研究将进一步探索实时多模态数据集成、隐私保护部署与真实工业环境长期验证。
研究背景方面,随着工业数字化与智能化发展,可持续工业工程与管理对实现可持续发展目标(SDGs)至关重要,其决策涉及生产调度、质量控制、资源分配与合规管理等多类复杂任务,依赖多源工业数据与领域知识集成。现代工业系统虽积累大量数据,但数据孤岛、非结构化知识利用不足、通用大语言模型(LLM)缺乏企业内部约束理解及易产生无支撑内容等问题,使传统检索增强生成(RAG)在知识治理、证据全链条参与、实施前验证反馈上仍存在缺口。为此,研究人员开展一项增强型RAG–LLM框架研究,旨在为可持续工业工程与管理提供可靠、可追溯、可闭环优化的决策支持,相关成果发表于《Sustainability》。
关键技术方法上,研究人员构建受治理工业知识单元(governed knowledge unit),将设备记录、企业文档、领域规则、权限、版本、有效期等统一建模;采用混合检索(hybrid retrieval)融合BM25词法匹配与任务匹配、设备关联、权威等级、知识关系等治理属性进行排序,并通过权限与有效期门控(eligibility gating)过滤不合规知识;设计证据包(evidence package)封装带源标识符与治理属性的候选知识;建立决策验证与反馈调节模块,在生成前后检查证据充分性、声明支持度、业务约束与风险,触发补检、重排或人工放行;实验基于模拟工业企业场景生成的32个受治理知识单元,覆盖设备故障诊断、质量异常分析、能源优化、废水合规管理四类任务,对比BM25、元数据门控BM25、通用RAG与所提框架,并在ChatGPT 5.5、Gemini 3.5 Flash、DeepSeek V4 Flash、Qwen3.7上做端到端评测。
研究结果部分,首先为检索性能对比。通过Recall@6、Precision@6、nDCG@6、MRR与GVR@6指标评测发现,通用BM25平均Recall@6为0.7917、nDCG@6为0.8398、GVR@6为0.1667;元数据门控BM25将Recall@6升至0.9167、GVR@6降至0;通用RAG表现波动大且GVR@6达0.2500;增强混合检索在四任务上Recall@6、Precision@6、nDCG@6均达1.0000,GVR@6为0,证明词法相似度须与业务关联及治理约束联合建模。
其次为端到端决策源一致性。证据包黄金标准覆盖率随检索框架递进而提升,增强框架达1.0000;在LLM答案中,ChatGPT 5.5、Gemini 3.5 Flash、DeepSeek V4 Flash的平均证据源ID覆盖率分别为1.0000、0.9917、0.9750,Qwen3.7在完整证据下仍有引源不足,说明检索增强不能完全消除生成偏移,需自动验证与人工审阅兜底。
再次为消融实验。以ChatGPT为生成模型,分别去除外部知识、仅给受治理知识单元、加源标签证据包、用完整框架;结果显示无外部知识时源ID覆盖为0,仅给知识单元仍为0,加证据包后显著提升,完整框架经一次受限修复后输出完整性与可靠性进一步提高;320条应答自动化检查中,增强框架80条无检索缺口与非黄金源引用,反馈调节使四例代表应答源ID覆盖从0.4167升至1.0000。
参数敏感性分析中,Top-k从3增至6时平均Recall@k由0.5000升至1.0000且Precision@6保持1.0000,k=7、8时召回饱和但精度下降,故取k=6兼顾覆盖与噪声。
讨论与结论翻译部分,研究人员指出该增强RAG–LLM框架通过受治理知识单元统一组织多源工业数据、领域知识与决策约束,结合混合检索、访问控制、证据增强、约束感知生成与响应验证,提升了工业决策支持的可靠性与可追溯性,并形成知识构建、增强检索、约束推理、决策验证与反馈更新的闭环机制。模拟实验在四类可持续工业任务上验证了框架在检索精度、证据可靠性和结果可验证性上的优势。局限在于多源处理与LLM推理带来额外计算成本,超大规多厂协同环境扩展性受限,且依赖高质量元数据。未来研究将探索与MES/ERP/SCADA及数字孪生平台实时集成、多模态工业知识检索、隐私保护部署与真实场景长期验证。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号