《ADVANCED ENGINEERING INFORMATICS》：Augmenting LLM reasoning with semantic web for knowledge sharing in off-site construction
编辑推荐：
有效的知识共享与复用对装配式建筑（off-site construction, OSC）至关重要，但其应用受限于OSC知识非结构化、碎片化及项目专属化的特征。尽管近期引入的具备检索增强生成（retrieval-augmented generation, RAG
有效的知识共享与复用对装配式建筑（off-site construction, OSC）至关重要，但其应用受限于OSC知识非结构化、碎片化及项目专属化的特征。尽管近期引入的具备检索增强生成（retrieval-augmented generation, RAG）策略的大语言模型（large language models, LLMs）提升了信息可及性，此类模型仍受限于静态数据库，且缺乏处理OSC项目动态产品配置的充分推理能力。为此，研究人员提出一种自适应语义网集成RAG（semantic web-integrated RAG, SWiRAG）框架，将语义网技术（semantic web technologies, SWTs）与LLMs结合以提升OSC知识兼容性。该框架在RAG流水线中嵌入本体（ontology）模型与推理引擎：本体模型表征显式知识与项目专属事实，推理引擎通过隐式关系与属性动态 enrichment 以支持对静态数据库的逻辑推断；同时开发最优检索算法实现灵活上下文感知检索，并将图示图纸等非结构化数据集关联至本体以提供补充信息。为评估SWiRAG核心组件，研究人员开发原型系统，基于模块间连接设计、采用忠实性（faithfulness）、相关性（relevance）与召回率（recall）标准指标跨多LLM测试。结果显示所提动态方法显著优于静态RAG，忠实性平均提升38%、相关性31%、召回率120%；基于扩展IFC数据集，SWiRAG较现有图基检索框架表现更优；26名建筑领域参与者评估系统，平均可用性得分82.8，达优秀基准。研究表明基于本体的推理可有效增强LLM，提升OSC知识可及性、可复用性与可扩展性，为改进智能自适应建筑知识系统奠定基础。
研究背景方面，装配式建筑（off-site construction, OSC）因制造与装配模式有望革新建筑业，但专业知识锁存于碎片化非结构化文档与图纸中，难以被利益相关方解释、共享与集成。现有知识管理（knowledge management, KM）缺乏处理带交互属性的复杂产品配置策略，导致人机系统均难复用知识。大语言模型（large language models, LLMs）经检索增强生成（retrieval-augmented generation, RAG）可提升特定域问答表现，但传统向量RAG仅取语义相似文本片段，无法保留制造装配产品结构的复杂依赖；图基RAG虽借知识图谱（knowledge graphs, KGs）建模实体关系，但纯图法计算昂贵且仍依赖静态集。语义网技术（semantic web technologies, SWTs）以RDF、OWL、SWRL、SHACL、SPARQL提供标准语义框架，本体（ontology）可形式化域概念与关系，配推理引擎能将隐式知识转显式，适应项目动态上下文，然而将SWTs集成入RAG增强LLM推理以应OSC动态需求的研究有限，故研究人员开展本研究。论文发表于《Advanced Engineering Informatics》。
关键技术方法上，研究人员依设计科学研究法提出SWiRAG框架并开发Java+Spring原型系统。知识源由领域专家与知识工程师从可靠文献提取，构建对齐IFC4X3_ADD2的OWL本体（TBox/Abox/SWRL），用Protégé编辑、Pellet/Onto-Debug校验，实例来自12种模块间连接设计案例（Option1–Option12）及34份文档与2个IFC模型；非结构化图纸经ISO 21597信息容器（information container）链至本体类，元数据向量化。推理层用SWRLAPI在RDF图上推隐式属性/关系；检索层提类中心子图提取算法（Algorithm 1）自锚节点C0扩TBox+ABox三元组；增强层将推理子图+链文档块送GPT-4o/4o-mini/5.4与DeepSeek-V3，配OpenAI text-embedding-3-small与Cohere rerank-english-v3.0。评估用忠实性/相关性/召回率及BLEU/ROUGE-L/BERTScore对比图基RAG，并邀26名从业者用系统可用性量表评分。
研究结果部分，第1节引言指明OSC知识问题与研究目标三项RQ。第2节背景与文献评述析OSC知识系统演进、向量/图基/混合RAG局限、SWTs中本体TBox/ABox/SWRL作用，归结RQ1如何集成SWTs与传统RAG、RQ2何种本体嵌入策略适OSC、RQ3如何建可用系统。第3节方法论示SWiRAG五组件：知识资源、知识使用、载荷文档、基于本体的推理、增强LLM生成；3.1框架图显知识工程师建本体、用户选概念锚点触双检索（推理图+容器链文档）；3.2.1预处理将源文转OWL与块，3.2.2推理由A/B/C/D类例示SWRL推r3、RDF推r4显隐式，3.2.3提类锚子图算法获含TBox类层级、ABox实例、共链实体间关系的单元；3.3增强LLM用提示工程束生成，并论SPARQL断言事实、SWRL定制规则、SHACL约束形状之潜；3.4系统四层架构（数据/服务/控制/应用）含Jena Fuseki存查RDF、SWRLAPI推理、向量RAG补文档块，应用层含聊天机器人+图查看器，用户手选概念如“Option1”作锚。第4节评估以12连接案例为据，4.1选例覆盖高低绩效，4.2.1建1613公理本地本体合ifcOWL成22571公理，图9–12示类树与校验一致，4.2.2嵌34文+2 IFC（1221实例/1219关系/8548三元组），4.3.1示Option1插件管宽随柱宽厚推得，4.3.2示“PluginDevice”单元推理前仅beam–boltSet与beam–plugin显式，推理后补plugin–boltSet三元组使LLM答全。跨GPT-4o/4o-mini/5.4/DeepSeek-V3测：SWiRAG较静态RAG忠实地+38%、相关性+31%、召回+120%；扩IFC数据胜图基RAG（BLEU/ROUGE-L/BERTScore优）；26人评可用分82.8。
讨论部分研究人员指出，本体推理补LLM静态缺陷，使隐式配置关系显式化是直接提效根因；SWiRAG兼顾结构化推理与非结构化图纸链取，解决OSC知识项目专属变动难题；局限在概念锚点需人工选、自然语言转SPARQL/SWRL未实装、本体手建费时，未来可探LLM自动生规则与动态本体适配。结论翻译：本研究示本体基推理能有效增强LLM，提升OSC知识可及性、可复用性与可扩展性，为改进智能自适应建筑知识系统奠基。
综上，研究人员以SWiRAG框架证SWTs+LLM融合在OSC动态知识共享之优，核心在推理引擎把隐式产品配置转显式供检索，解传统RAG静太缺推理之弊，对工程信息学域具方法范式意义。
