基于知识地图与Skills编排的Agent问答处理方法与流程
本发明涉及人工智能与自然语言处理,尤其是基于agent的智能问答技术,具体而言涉及一种基于知识地图与skills编排的agent问答处理方法。
背景技术:
1、随着人工智能语言大模型的迅速发展,知识问答qa目标已经从早期的模板匹配法/统计机器学习方法以及基于知识图谱kbqa发展到基于大模型端到端生成式问答,即llm原生问答。知识图谱法是基于结构化知识图谱(实体、关系、三元组)回答问题,采用语义解析或者信息检索排序生成答案,但难以支持开放式问题。而且传统知识图谱系统构建和维护成本高,难以覆盖非结构化知识,缺乏高频场景的固化路径。
2、基于非结构化文本的文本式回答则采用抽取式问答或者mrc机器阅读理解的方式,支持对开放式问题回答。在处理过程中,系统需要将海量文档做切片、向量化存入向量库。同时将用户问题向量化,召回相关文本片段,因此传统的搜索系统的检索结果以文档片段为单位,缺乏对业务对象及其关联知识的统一组织,同一业务对象下的规程、流程、案例等信息分散在不同文档中难以完整召回,且高频标准任务每次均需重新检索。
3、检索增强生成rag(retrieval augmented generation)系统对检索到的文档片段缺乏业务语义理解,容易引入不相关或过时内容,且大模型可能产生幻觉,同时缺少对证据可靠性、版本有效性和适用范围的校验,答案可信度不足。
4、同时,传统的搜索或者生成式回答方案中普遍缺少对证据完整性的检查和缺失信息的主动补齐能力,也缺少基于用户反馈的持续优化机制。
技术实现思路
1、鉴于现有技术存在的技术问题,本发明目的在于提供一种基于知识地图与skills编排的agent问答处理方法,该方法以预先构建以业务对象为核心的知识地图为基础,统一组织文档、流程、案例及治理信息;在问答时由agent进行路由匹配,高频场景走任务型skill固化路径,复杂场景走通用编排灵活探索;同时通过证据三维校验确保答案基于已发布生效且适用于当前对象的证据,结合完整性检查和主动补齐避免信息缺失,最终生成可溯源的答案。
2、在可选的实施例中,本发明通过全链路日志记录与归因分析,驱动旧skill迭代优化和新skill沉淀,使系统具备持续进化能力。
3、根据本发明目的的第一方面,提出一种基于知识地图与skills编排的agent问答处理方法,包括以下步骤:
4、步骤s100:接收用户输入的问题q;
5、步骤s200:解析所述问题q得到语义特征元组,并将语义特征元组与已注册任务型skill的前置条件集合进行比对,并根据命中结果与否确定执行路径l:如果命中任一任务型skill,则将执行路径l选定为该任务型skill并执行其内部固化的状态机管线;如果未命中任何任务型skill,则将执行路径l标记为通用编排模式;
6、步骤s300:在所述通用编排模式下,基于所述问题q确定目标业务对象o,并计算目标业务对象o与知识地图中相邻一跳邻域节点之间的候选边的动态通行代价;
7、步骤s400:根据所述动态通行代价对候选边进行拓扑剪枝,规划出全局代价最小的探索路径path;
8、步骤s500:沿所述探索路径path调用与节点类型动态绑定的专用检索skill,收集附带有发布状态、时效区间及业务适用范围治理签名的结构化证据集合e;
9、步骤s600:对所述结构化证据集合e进行交叉一致性与完整性检验,在检测到缺失关键业务维度时执行主动级联补齐,输出最终证据链集合vfinal;
10、步骤s700:调用答案生成skill,基于所述问题q与最终证据链集合vfinal生成带有证据治理签名溯源锚点的最终答案,并将本次通用编排的流转过程编译为包含节点算子及数据依赖边的因果执行轨迹,持久化存储至数据库。
11、作为可选的实施方式,在步骤s300中,在所述通用编排模式下,基于所述问题q确定目标业务对象o,并计算目标业务对象o与知识地图中相邻一跳邻域节点之间的候选边的动态通行代价,包括:
12、agent从所述问题q中提取核心业务实体,通过知识地图的一级业务对象索引匹配确认目标业务对象o;
13、agent以目标业务对象o为起点从知识地图中获取所有一跳邻域节点,记为集合n(o),所述一跳邻域节点包括文档、faq、流程、案例、主数据属性、概念及版本治理元数据;
14、agent根据问题q与一跳邻域节点的语义相似度、治理发布状态、生效时间窗口及时间窗口衰减,计算目标业务对象与知识地图中相邻一跳邻域节点之间的候选边的动态通行代价c(e)。
15、作为可选的实施方式,在步骤s400中,根据所述动态通行代价对候选边进行拓扑剪枝,规划出全局代价最小的探索路径path,包括:
16、基于预设的全局代价通行阈值,agent根据集合n(o)中所有候选边的动态通行代价,剔除代价高于全局代价通行阈值的候选边与对应的节点;
17、在被剔除的节点中,搜索满足语义相似度标准且治理状态风险惩罚项为待审核状态的节点,作为重定向节点,回溯其对应的历史基线节点,并将所述历史基线节点及其候选边重新加入待选节点集合;
18、结合保留的候选边及其对应节点以及所述历史基线节点,根据动态通行代价大小进行节点排序,构建出全局代价最小的全局最优探索路径path。
19、由此,在通用编排模式下,通过基于动态代价函数的图前置剪枝搜索,将三维治理属性(即语义相关性、有效性、时间窗口衰减)形式化为知识地图边(edge)的动态通行代价,当一跳邻域节点被检索到时,若其治理状态存在存疑或即将失效,系统并不只是打标签,而是计算其可信衰减系数并实时反向更新该节点在 path 中的探索优先级;同时针对遇到未生效版本时通过前向溯源,从而保证证据链生成的完整、高效性,并保证合规。
20、在进一步可选的实施例中,针对某个规程节点为待审核,可自动激活向前沿知识地图溯源其前序版本节点的生效闭包,并可动态计算新旧版本之间的差分语义图,仅将差分部分标记为追问对象,确定性部分继承执行。
21、作为可选的实施方式,在步骤s500中,agent沿所述探索路径path调用与节点类型动态绑定的专用检索skill,其中:
22、文档节点调用章节切片提取 skill,提取相关章节或段落原文;
23、原子流程节点调用结构化加载 skill,直接读取faq、流程或案例的完整内容;
24、属性节点调用实时主数据查询 skill,获取实时或准实时属性数据;
25、通过专用检索skill收集附带有发布状态、时效区间及业务适用范围治理签名的结构化证据集合e。
26、作为可选的实施方式,在步骤s600中,对所述结构化证据集合e进行交叉一致性与完整性检验,在检测到缺失关键业务维度时执行主动级联补齐,输出最终证据链集合vfinal,包括:
27、首先,agent对结构化证据集合e的每条证据执行交叉一致性校验,具体为:
28、可靠性校验,检查证据审核状态是否为已发布、当前时间是否处于生效时间范围内;
29、一致性校验,对同对象同类型证据进行交叉比对,检测是否存在冲突;
30、适用性校验,检查证据适用对象范围是否包含当前目标业务对象o;
31、经过三维校验后,每条证据被标记为可信、存疑或参考,得到校验后证据集合v;
32、然后,agent对校验后证据集合v进行完整性校验,对照原始问题q的诉求,逐项检查校验后证据集合v是否覆盖回答问题所需的全部信息维度:
33、如果已覆盖全部信息维度,则输出完整性判断标签为完整;否则输出完整性判断标签为不完整,并基于语义特征元组生成缺失信息清单m。
34、作为可选的实施方式,在步骤s600中,对于缺失信息清单m,agent判断所缺失维度是否存在已注册的查询 skill:
35、如果存在,自动提取目标业务对象的唯一物理标识作为实参并发调用该已注册的查询 skill;返回的实时数据经交叉一致性与完整性检验后追加并入证据集合v,得到最终证据链集合vfinal;
36、如果无法通过已注册的查询 skill获取,agent阻断本次单向输出,并通过反向模板将缺失槽位压缩生成最小必要追问并发起多轮对话,将多轮对话新获取的证据追加至证据集合v,得到最终证据链集合vfinal。
37、作为可选的实施方式,所述方法还包括:
38、步骤s800:agent根据设定的周期,从日志数据库中筛选候选因果轨迹集合,并进行同质多轨迹因果拓扑提取;
39、agent根据提取的同质因果轨迹集进行新任务型skill状态机沉淀,将实例参数泛化与知识地图元模型的槽位动态绑定后注册到skills库,并将新任务型skill的触发谓词同步更新至所述前置条件集合,该触发谓词包含从知识地图元模型自动生成的语义特征与槽位。
40、作为可选的实施方式,所述步骤s800中,所述agent根据设定的周期,从日志数据库中筛选候选因果轨迹集合,并进行同质多轨迹因果拓扑提取,具体包括以下步骤:
41、根据设定的周期,从日志数据库中筛选出相同业务对象类别下、用户正向反馈率高的候选因果轨迹集合t,包括m条因果轨迹;
42、计算任意两条因果轨迹之间的图编辑距离,执行层次聚类,合并同一业务下的同质因果轨迹,获得同质轨迹集;
43、针对聚类后的同质轨迹集,采用最大公共诱导子图算法进行拓扑求交;通过节点算子语义等价性判定和因果数据流拓扑对齐,并剔除冗余试错分支,提取规范因果骨干图。
44、作为可选的实施方式,所述agent根据提取的同质因果轨迹集进行新任务型skill状态机沉淀,将实例参数泛化与知识地图元模型的槽位动态绑定后注册到skills库,并将新任务型skill的触发谓词同步更新至所述前置条件集合,具体包括以下过程:
45、agent结合所述知识地图中与目标业务对象对应的元模型,将所述规范因果骨干图中的具象参数泛化抽象为槽位变量,推导任务型 skill 被激活所需的前置触发谓词与槽位校验规则;
46、将泛化后的规范因果骨干图及槽位校验规则编译为包含状态转移矩阵的有限状态机描述符,注册入skills库,并将所述前置触发谓词同步更新至所述前置条件集合中。
47、在本发明的实施例中,当多次通用编排执行相似任务时,各轨迹的调用节点和证据获取节点在参数、顺序上存在冗余和分支,本发明通过探索轨迹的拓扑归约,基于各次轨迹的输入-输出依赖关系构建有向无环因果图,利用图同构匹配或最大公共子图算法提取多次轨迹中的核心作为主干流程,实现对轨迹拓扑因果的压缩;然后将具体实例自动泛化为动态槽位参数,并利用知识地图的对象元模型自动推导输入参数的类型约束与校验规则,从而沉淀并注册到skills库,完成状态机泛化生成。
48、应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外,所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
49、结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com