一种基于多智能体协同的闭环培训与能力评估方法与流程
本发明涉及人工智能与数字教育培训,具体涉及一种基于多智能体协同的闭环培训与能力评估方法。
背景技术:
1、在许多专业知识私有化严重、规章制度更新频繁且对岗位安全与合规性要求极高的高风险与高专业性行业(如民航运维、轨道交通、特种设备运维等)中,从业人员的日常培训与资质考核是保障运行安全与维持岗位熟练度的核心手段。此类从业人员培训通常具有单次周期短、整体频次高、极度依赖专家授课经验的特点。
2、目前,市场上虽已出现部分人工智能(ai)智课助手或排课辅助系统,但在面对专业私有化程度强、涉密或规章体系复杂的特定行业时,现有技术在全链路培训与能力评估方面仍存在以下显著缺陷:
3、第一,现有培训系统大多依赖通用大模型或单智能体架构,缺乏多智能体间的任务分工与结果校验机制,导致培训内容的权威性与生成准确率难以保证。特定行业知识库通常高度私有化且逻辑割裂,通用大模型缺乏对行业专用规章、手册及案例的深度理解,容易产生“幻觉”现象;而单一智能体无法同时胜任需求识别、专业检索、教案生成、行为评估及知识审核等多维度复杂任务,在缺少总控编排智能体对输出结果进行一致性与置信度校验的情况下,难以确保生成的培训内容严格依据权威规章,极其容易导致培训内容偏离实际业务标准。
4、第二,现有培训模式多采用静态或通用的课程体系,缺乏针对性的动态需求触发与个性化培训任务包生成机制,导致从业人员能力提升缓慢。传统培训多依赖人工周期性排课或采用统一的通用教材,难以实时捕获由规章手册更迭、新设备投入运行、员工资质到期或突发运行异常事件所引发的即时培训需求;同时,现有的课程推荐逻辑无法结合员工个性化的当前能力画像与岗位目标能力画像之间的动态差异,导致授课内容缺乏岗位针对性,无法满足高节奏知识更新下人员能力时刻精准匹配的要求。
5、第三,现有能力评估手段单一,难以综合多模态过程行为数据形成客观可计算的能力画像与精准的闭环补训路径。现有考核主要依赖传统的人工批阅或单一的线上试卷打分,无法在培训过程中对包含答题时长、操作步骤序列、模拟器操作结果及情景处置选择等多模态学习行为数据进行深度融合分析,更缺乏考虑时间衰减与数据可信度的科学量化计算模型;这使得评估结果过于片面,当从业人员能力不达标时,系统无法准确认定其未达标的具体能力项及知识缺陷,进而无法按知识依赖关系与风险等级生成优先级明确的补充培训路径,导致培训无法形成有效的“评估-补训”闭环。
6、第四,现有培训体系与实际运行场景严重脱节,培训过程中产生的隐性经验与知识难以沉淀和反哺。在传统及现有线上培训过程中,学员提交的总结材料、答题解释、典型处置路径及教员纠正意见等多模态数据通常在培训结束后即被孤立存储或直接丢弃;缺乏自动化的实体识别、冲突检测、脱敏处理及法规/版本一致性校验机制,导致这些源于一线实际操作与培训演练的优质案例与隐性知识无法自动化地转化并更新回结构化知识库,知识库得不到持续的动态演进。
技术实现思路
1、以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览,并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
2、本发明的目的在于解决上述问题,提供了一种基于多智能体协同的闭环培训与能力评估方法,实现基于多智能体协同校验保障培训内容准确权威、基于能力画像差异实现动态个性化培训与精准补训闭环、以及基于培训数据多维校验实现知识库自动化反哺演进。
3、本发明的技术方案为:本发明揭示了一种基于多智能体协同的闭环培训与能力评估方法,方法包括:
4、由需求识别智能体从培训需求中识别出培训对象及目标岗位,由能力评估智能体根据所述目标岗位的岗位要求生成目标能力画像;
5、由所述能力评估智能体获取所述培训对象的当前能力画像,由课程生成智能体结合结构化知识库中的知识内容,基于所述目标能力画像与所述当前能力画像的差异生成个性化培训任务包,并由培训实施智能体向所述培训对象实施培训及采集培训过程中的多模态培训行为数据;
6、由所述能力评估智能体基于所述多模态培训行为数据评估并更新所述培训对象的当前能力画像;计算更新后的当前能力画像与所述目标能力画像的能力差距;若判定未达到预设培训目标,则由培训路径规划智能体根据所述能力差距生成补充培训路径并由总控编排智能体重新触发培训任务生成与实施;
7、若判定达到预设培训目标,则由案例提取智能体从所述多模态培训行为数据及所述培训对象提交的材料中提取候选知识,由知识审核与更新智能体对所述候选知识进行校验审核,并将审核通过的候选知识更新写入所述结构化知识库。
8、根据本发明的基于多智能体协同的闭环培训与能力评估方法的一实施例,所述需求识别智能体、所述能力评估智能体、所述课程生成智能体、所述培训实施智能体、所述培训路径规划智能体、所述案例提取智能体、所述知识审核与更新智能体构成专业任务能力智能体,与所述总控编排智能体共同构成多智能体协同框架;各个专业任务能力智能体之间的任务依赖关系与校验规则是基于所述总控编排智能体建立的,在多智能体协同框架的运行过程中,由所述总控编排智能体对各个智能体的输出结果执行一致性和/或置信度校验,并在校验不通过时触发重试、复核或人工干预流程。
9、根据本发明的基于多智能体协同的闭环培训与能力评估方法的一实施例,所述目标能力画像包括多项岗位能力要求及对应的目标能力等级。
10、根据本发明的基于多智能体协同的闭环培训与能力评估方法的一实施例,所述结构化知识库的构建过程包括:
11、获取包括法规、手册、岗位标准、案例、课程和历史培训数据在内的文本与图像数据,并对所述数据执行格式转换、段落切分、重复内容消除、敏感信息处理、版本识别、有效期识别和来源标记,形成标准知识单元;
12、从所述标准知识单元中提取实体、属性和关系,建立包含法规条款节点、运行程序节点、岗位能力节点、机型设备节点、风险事件节点、培训课程节点、考核题目节点和案例节点在内的层级化知识结构或知识图谱;其中,每个知识单元均设置来源标识、版本标识、有效期标识、可信度标识和访问权限标识。
13、根据本发明的基于多智能体协同的闭环培训与能力评估方法的一实施例,各个智能体之间通过标准消息对象进行通信,所述标准消息对象包括:培训任务标识、员工匿名标识、岗位和机型标识、输入数据地址、所需知识范围、输出数据类型、置信度、引用依据、前置任务标识以及处理状态中的至少几种。
14、根据本发明的基于多智能体协同的闭环培训与能力评估方法的一实施例,所述培训需求由所述需求识别智能体根据因需触发条件或周期性触发条件触发生成,其中:
15、所述因需触发条件包括:岗位变化、新设备或新系统投入运行、规章或运行手册版本发生变化、资质即将到期、发生与岗位相关的事件、能力画像中某一能力指标低于预设阈值、出现异常操作以及管理人员发起专项任务中的至少一种;
16、所述周期性触发条件包括:年度、季度、月度或资质周期培训计划。
17、根据本发明的基于多智能体协同的闭环培训与能力评估方法的一实施例,所述个性化培训任务包的生成过程包括:
18、由知识检索智能体从所述结构化知识库中检索与所述差异中的目标能力项对应的知识单元,并向所述课程生成智能体返回带有来源和版本信息的知识证据集合;
19、由所述课程生成智能体仅基于通过有效性校验的所述知识证据集合生成培训内容,并将每一项培训内容与对应的知识节点、目标能力项和考核项建立绑定关系。
20、根据本发明的基于多智能体协同的闭环培训与能力评估方法的一实施例,所述多模态培训行为数据包括:
21、课程完成情况、答题内容、答题时长、答题修改次数、操作步骤序列、模拟器操作结果、情景处置选择、文字材料、智能问答交互记录以及教员评价数据中的至少几种;
22、所述多模态培训行为数据被转换为统一培训行为特征,并与培训对象、培训任务、知识节点和能力项建立关联。
23、根据本发明的基于多智能体协同的闭环培训与能力评估方法的一实施例,由所述能力评估智能体基于所述多模态培训行为数据计算第 项能力值的公式为:
24、
25、其中, 为第 类评估数据对应第 项能力的权重; 为第 类评估数据中的标准化得分; 为第 类评估数据的可信度系数; 为时间衰减系数。
26、根据本发明的基于多智能体协同的闭环培训与能力评估方法的一实施例,判定未达到预设培训目标的情况包括:
27、任一必须达标能力项的当前能力值低于对应阈值、加权能力差距总值超过设定阈值、高风险能力项未通过、考核证据完整度低于设定阈值或能力评估置信度低于设定阈值;
28、所述补充培训路径由所述培训路径规划智能体按如下优先级重新生成:与未达标能力项直接关联的知识节点、导致错误的前置知识节点、与错误场景相似的案例节点、历史上效果良好的培训形式、风险等级较高的必修内容。
29、根据本发明的基于多智能体协同的闭环培训与能力评估方法的一实施例,所述对所述候选知识进行校验审核,并将审核通过的候选知识更新写入所述结构化知识库包括:
30、由所述案例提取智能体对所述培训对象提交的文字材料执行文本分段、实体识别、关系提取、事实性与观点性内容区分、冲突内容识别、脱敏处理以及候选知识单元生成;
31、由所述知识审核与更新智能体对所述候选知识单元进行法规一致性、版本一致性、来源可信度和重复性校验,并将通过校验的候选知识单元写入所述结构化知识库,同时与原培训案例、培训对象能力项及知识来源建立可追溯关联关系。
32、本发明对比现有技术有如下的有益效果:
33、第一,保证了培训内容生成与输出结果的权威性、准确性与严密性。 本发明通过由需求识别智能体、能力评估智能体、课程生成智能体、培训实施智能体、培训路径规划智能体、案例提取智能体、知识审核与更新智能体构成专业任务能力智能体,与总控编排智能体共同构成多智能体协同框架;并在运行过程中由总控编排智能体对各个智能体的输出结果执行一致性和/或置信度校验,在校验不通过时触发重试、复核或人工干预流程。相比于依赖通用大模型或单智能体的传统系统,本发明通过多智能体明确角色分工与标准消息通信,结合总控编排智能体的约束校验机制,将智能体生成内容与结构化知识库中的知识证据严格绑定,克服了大模型“幻觉”与知识版本混淆问题,显著提升了培训内容生成与评估依据的充分性与准确率。
34、第二,实现了覆盖全场景的即时需求响应与高度针对性的动态个性化培训。 本发明通过由需求识别智能体根据包含岗位变化、规章版本变化、资质即将到期、运行事件等因需触发条件或周期性触发条件触发生成培训需求,由能力评估智能体根据岗位要求生成目标能力画像,并由课程生成智能体结合结构化知识库,基于目标能力画像与当前能力画像的差异生成个性化培训任务包。该特征改变了传统固定周期排课和使用通用教材的死板模式,能够实时捕捉运行场景变更与资质到期等即时需求,并根据从业人员能力画像的动态变化精准匹配个性化学习内容,有效提升了学员在知识高频更新环境下的能力提升效率与岗位匹配度。
35、第三,实现了客观量化的人员能力评估与“评估-精准补训”的全闭环控制。 本发明通过由培训实施智能体采集包含答题内容、答题时长、操作步骤序列、模拟器操作结果等多模态培训行为数据并转换为统一培训行为特征;由能力评估智能体综合考虑权重、标准化得分、可信度系数及时间衰减系数计算当前能力值;并在判定未达到预设培训目标时,由培训路径规划智能体按与未达标能力项直接关联的知识节点、前置知识节点、高风险必修内容等优先级重新生成补充培训路径并由总控编排智能体重新触发实施。该特征综合利用多源过程行为数据替代了单次考核打分,并引入时间衰减系数符合遗忘曲线规律,形成了客观计算的能力画像;配合高风险项评估与有优先级的逆向溯源补训机制,实现了“评估-补训”的精准闭环。
36、第四,实现了培训隐性经验的自动化沉淀与知识库的动态演进更新。 本发明通过在判定达到预设培训目标时,由案例提取智能体对培训对象提交的文字材料执行文本分段、实体识别、关系提取、事实与观点区分、冲突内容识别及脱敏处理生成候选知识单元;并由知识审核与更新智能体执行法规一致性、版本一致性、来源可信度和重复性校验后写入结构化知识库,同时建立可追溯关联关系。该特征打破了培训过程数据孤立存储的局面,将培训中产生的优秀处置过程、典型错误与一线总结自动转化为结构化知识反哺知识库,确保了知识库与实际运行场景紧密结合,实现了知识体系的持续进化。
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