一种基于多智能体大语言模型的群体共识评估系统，用于识别技术创新机会

《Computers & Industrial Engineering》：A multi-agent large language model-based group consensus evaluation system for identifying technological innovation opportunities

　　

# 摘要

从异构数据流中识别技术创新机会往往涉及认知过载以及协调冲突性专家判断的挑战。本文提出了一种模型自适应的模块化多智能体框架，用于基于多智能体协作和集体智能识别与评估技术创新机会。该框架由两个主要阶段组成。首先，通过提示工程设计了四个专业化智能体：专利文本主题分析智能体、高价值关键词识别智能体、关键词共现网络生成智能体和形态矩阵分析智能体。这些智能体以可替换模块的形式实现——其内部机制可以适配底层大语言模型（LLM）的能力。在本研究中，我们用本地7B模型（DeepSeek-R1-Distill-Qwen-7B）配合离线的LDA和TF-IDF预计算来实例化它们，以弥补上下文窗口限制；若部署能力更强的模型，这些模块可以被纯提示方法替换，而无需改变下游工作流程。其次，引入多智能体共识评估系统来评估生成的技术配置。该系统采用三维共识测量方法来识别非共识区域，整合最小成本共识模型引导智能体达成共识，随后采用基于逼近理想解排序法（TOPSIS）和熵权法的混合方法进行最终性能排序。本文将该方法应用于船舶甲醇加注领域，利用DeepSeek-R1-Distill-Qwen-7B实例化智能体。我们评估了跨四个战略属性的23个技术单元，生成了980种可行的技术配置。结果显示，以基础设施为重点的单元通常优于辅助储存和转运组件。对比分析证实，最小成本共识模型以1.0978的共识成本和更高的接受率实现了卓越效率。本研究为大规模技术机会识别提供了系统化、自动化的解决方案，并展示了基于LLM的智能体模拟复杂人类协作决策的显著潜力。

# 引言

识别技术创新机会是组织在快速演变的市场中维持竞争优势的关键战略使命（Ren & Zhao, 2021）。该过程可以分解为两个阶段：机会识别和机会评估。识别阶段涉及广泛的技术单元挖掘，而评估阶段则涉及对这些机会进行聚焦的、系统的和多维度的评估，以指导资源分配决策（Zhao et al., 2022）。

通常在技术机会识别阶段，往往需要技术专家阅读大量文献和专利来提取关键技术部件和解决方案（Ma et al., 2021, Xue and Shao, 2024）。这一过程消耗大量人力和财务资源。在随后的机会评估阶段，需要召集多位领域专家对潜在创新方案进行评分。这不仅成本高昂，而且在众多专家中达成共识也具有挑战性（Guo et al., 2024, Yang et al., 2025）。

为解决这些资源和共识约束，研究者日益探索智能系统增强或自动化分析过程的潜力。尽管大语言模型和智能智能体的进步使各种任务的自动化成为可能，但单体处理风格往往难以应对复杂技术机会分析（TOA）所需的多阶段推理。相比之下，多智能体架构能够实现专业化分工，使智能体专注于不同阶段（Abou Ali et al., 2025）。此外，多个智能体之间达成共识以模拟人类专家审议仍然是一个重大的方法学挑战。如果没有正式的达成共识机制，智能智能体系统产生的评估可能存在不一致性，从而削弱其在战略决策中的实用性。

因此，本文的首要关键问题是探索一种更简单的方法来识别潜在的技术创新机会。技术机会挖掘过程通常涉及专利收集、主题词提取和关键词网络分析等多个任务，单个智能体存在固有局限性（Qi et al., 2025）。为了更全面地识别潜在创新机会，有必要配置具有不同领域专业知识的智能体并使其协作，确保每个智能体仅专注于其擅长的领域。本文解决的第二个问题是如何利用智能智能体协助人类专家进行技术创新评估。基于当前智能体技术，部署具有特定知识领域和背景的智能体来评估技术创新方案是可行的（Z. Cao et al., 2025, Shahin and Simjoo, 2025）。然而，多个基于大语言模型的智能体如何达成共识仍然是一个未探索的研究领域，这也是多智能体系统模仿人类在技术创新中协作评估的焦点所在。

为克服这些局限性并解决上述问题，本文提出了一种模型自适应的模块化多智能体框架。其宏观工作流程具有普适性，适用于不同的LLM。它包括用于主题提取、关键词识别、共现网络生成、形态矩阵构建的专门智能体以及共识评估系统。然而，每个智能体的内部实现设计为适应底层LLM的计算能力和约束条件。在本研究中，我们用本地7B模型（DeepSeek-R1-Distill-Qwen-7B）实例化该框架，并利用离线预计算的算法输出增强其智能体，以弥补上下文窗口限制。若部署能力更强的前沿模型，这些离线模块可以无缝替换为纯提示生成方法，而无需改变下游共识流程。

基于该框架，首先，本文提出了一种由多智能体协作驱动的技术创新机会识别方法。智能体不是通过语言生成来近似复杂的数学计算，而是作为混合流水线运行，利用标准离线库。具体而言，四个专门智能体协作执行主题分析、关键词识别、共现网络构建和形态矩阵生成，以系统地从专利和文献数据中提取潜在技术机会。

其次，本文设计了一种基于多智能体共识的技术创新机会评估方法。多个智能体被配置为领域专家来对不同技术单元进行评分。接下来，设计了智能体间共识测量方法，提出了三维非共识识别方法。然后，我们比较了四种共识交互机制作为智能体的建议方案，这些建议未被所有智能体完全接受。分析了不同建议的接受情况。最后，设计了基于逼近理想解排序法（TOPSIS）和熵权法的综合评估方案，用于技术单元的基于共识的评分。

总之，本文的贡献有三个，如下所述。首先，开发了一个具有可替换模块的多智能体协作框架，可适配不同LLM能力，系统化地识别技术创新机会。通过将专利收集、主题词提取和关键词共现分析等任务分配给具有不同专长的多个智能体，该框架克服了单智能体分析的局限性，并为生成技术要素提供了结构化基础。其次，引入了多智能体共识系统进行配置评估。该系统在要素级、单元级和智能体级测量共识，识别非共识区域，并采用结构化的共识交互机制引导专家智能体趋向更一致的评估。所产生的共识评分支持连贯且可解释的配置排序。第三，所提方法论应用于船舶甲醇加注的实证案例。利用DeepSeek-R1-Distill-Qwen-7B作为计算核心来实现该框架，本文提取了关键技术单元，构建了五维形态矩阵，生成了跨23个单元的980种可行配置，并使用多智能体共识系统对其进行评估。这一大规模分析证明，所提方法能够识别出人类专家小组无法手动发现的非显而易见的技术路径，从而为战略技术管理提供了强大的决策支持工具。所得排序揭示了有前途的技术路径，可为未来甲醇加注系统的发展提供信息参考。

本文余下部分组织如下。第2节回顾了技术机会识别的文献，涵盖传统数据驱动方法和基于群体决策的评估方法。第3节提出了多智能体协作框架以识别技术创新机会。第4节设计了多智能体共识系统以评估技术配置。第5节提供了示例案例研究。第6节对共识机制、接受行为和跨模型鲁棒性进行了综合对比分析。

## 技术片段

### 技术创新机会识别与评估

以往关于技术创新机会识别的研究主要依赖专家判断、技术情报分析和结构化知识处理。这些方法试图从快速扩展的科研和专利文献量中检测功能差距、主题热点、技术演进轨迹和跨领域重组可能性。随着数据可用性的增长，该领域逐渐向数据驱动和...转变

### 用于识别创新机会的多智能体协作框架

为系统化地识别创新机会，本文提出了一种多智能体协作框架，通过智能体之间的多维度协作实现全面的技术机会识别系统，整合专利数据主题提取、挖掘和定量评估，如图1所示。该框架的一个基本特征是其模型自适应模块化架构。跨...一致的宏观工作流程保持不变

### 用于配置的多智能体共识系统

为确保所提方案组合的有效性，本文设计了一个多智能体共识评估系统，包括两部分：(1) 多智能体达成共识过程；(2) 配置评估。该系统框架如图6所示。

### 船舶甲醇加注系统创新机会识别与评估的示例

随着全球对减少碳排放的重视程度不断加深，国际海事组织（IMO）设定了到2050年将航运排放量相对于2008年水平减少50%的目标（Lu et al., 2023）。在此背景下，甲醇凭借其低碳含量、与现有LPG基础设施的兼容性以及成熟的生产技术，成为极具前景的海事燃料。与传统海事燃料相比，甲醇提供了更清洁、更灵活的替代方案，支持...

### 对比分析

为了更清晰地展示四种共识交互机制的性能差异和内在模式，本节从共识效率、实施成本、意见调整模式和接受行为等多个维度，系统地对比分析了第4.1.4节中提出的方法。

# 结论与未来工作

本研究解决了技术创新机会识别中的两个基本挑战，并开发了两个互补的方法体系来应对它们。第一个挑战涉及需要从大量专利和文献语料中发现潜在技术创新机会的更系统和更高效的方法。为满足这一需求，本研究提出了多智能体协作框架，其中具有专业知识的智能体共同协作...

## CRediT作者贡献声明

胡盈盈：原创稿件撰写、方法学、形式分析、数据整理。
曹明硕：方法学、形式分析、概念化。
李济才：调查、形式分析。
刘雨佳：资源、调查、形式分析。
吴建：原创稿件撰写、验证、监督、项目管理、方法学、概念化。

## 致谢

本研究由中国国家社会科学基金资助（项目编号：22BGL120）

胡盈盈|曹明硕|李济才|刘雨佳|吴建
上海海事大学经济与管理学院，上海 201306，中国