一种结构化解析的大语言模型任务递归调度方法与流程

本发明涉及大语言模型，尤其涉及一种结构化解析的大语言模型任务递归调度方法。

背景技术：

1、随着人工智能技术在医疗健康和科研创新等领域的应用，大语言模型正成为辅助医学知识生产、科研方案设计的核心之一。

2、在医学知识平台领域中，临床指南的结构化编写、诊疗路径的自动化生成、医学文献的系统性综述与证据链构建等任务，均呈现出高度结构化、多层级嵌套和强逻辑约束的特征。当前大语言模型在处理上述复杂结构化任务时面临显著瓶颈：受限于上下文窗口长度和单次推理能力，大模型难以在一次调用中完整生成具有多层嵌套结构和复杂内部依赖关系的长文档或系统化方案。现有的解决方案多采用简单的分段生成或人工拆分策略，缺乏对任务内部结构关系的自动感知能力，容易导致生成内容之间出现逻辑断裂、术语不一致、引用缺失等质量问题。在医学知识平台的实际应用中，医学内容的生成需要严格遵循循证医学规范、药物配伍禁忌规则和临床路径标准，任何局部错误都可能引发系统性的知识质量风险。因此，迫切需要一种能够自动解析任务结构、智能拆分生成粒度、感知上下文依赖关系，并具备生成结果自动验证与递归修正能力的大模型调度方法。编译技术中的结构化解析、抽象语法树构建、递归遍历与局部验证等方法，为解决上述问题提供了新颖的技术思路。用抽象语法树的思路将复杂任务的层级结构作为编译单元分解，将输出验证类比为编译检查，构建适用于医学知识生成领域的递归调度方法。

技术实现思路

1、本发明解决的技术问题是：现有技术受限于上下文窗口与单次推理能力，难以自动感知任务内部逻辑与层级依赖，导致生成内容易出现逻辑断裂、术语不一致、引用缺失等问题，且缺乏对任务粒度的自适应动态调整与闭环验证修正机制。

2、为解决上述技术问题，本发明提供如下技术方案：一种结构化解析的大语言模型任务递归调度方法，包括如下步骤：

3、步骤s1，接收目标结构化任务，采用递归下降解析算法提取任务结构骨架，并构建上下文信息池；

4、步骤s2，根据结构骨架生成抽象语法树，并进行递归遍历，识别出待生成的节点并拆解为最小子任务，得到子任务队列；

5、步骤s3，针对最小子任务，从上下文信息池中提取对应节点的局部上下文；

6、步骤s4，将局部上下文动态组装为结构化提示词并下发至大语言模型，生成对应子节点的内容片段；

7、步骤s5，将所述内容片段转换为抽象语法树节点并挂载拼接至抽象语法树中；

8、步骤s6，对挂载拼接后的抽象语法树进行局部结构校验，输出编译结果。

9、优选地，所述步骤s1包括如下子步骤：

10、步骤s11，接收目标结构化任务，对每个目标结构化任务的编译单元，采用递归下降解析算法进行逐层分析，得到各个编译单元的逻辑节点声明信息、结构体类定义信息、全局变量声明信息和规范依赖信息，生成原始语义信息集合；

11、步骤s12，对所述原始语义信息集合进行递归深度解析：当检测到当前数据类型的成员字段中包含嵌套的自定义类型时，自动向下递归当前自定义类型的定义位置，并继续解析，直到所有成员字段遍历完成时停止，生成结构化依赖链；

12、步骤s13，根据所述逻辑节点声明信息和结构化依赖链构建任务结构骨架，所述任务结构骨架包括函数调用关系图、数据流依赖图和文件包含关系图，遍历任务结构骨架中的每个节点，提取各个节点的符号名称、所属作用域范围、符号定义位置、被引用次数、访问修饰符和参数类型信息，并按照节点编号进行索引存储，得到上下文信息池。

13、优选地，所述步骤s2包括如下子步骤：

14、步骤s21，将任务结构骨架中的函数调用关系图、数据流依赖图和文件包含关系图中的各节点作为抽象语法树的节点，将各视图中的边作为抽象语法树中节点之间的连接关系，融合生成的抽象语法树，按照自顶向下的顺序对抽象语法树进行深度优先递归遍历，比对抽象语法树中的节点与任务结构骨架的映射关系，提取抽象语法树中缺失具体内容的节点，并标记为待生成的节点；

15、步骤s22，提取待生成的节点的任务复杂度参数，所述任务复杂度参数包括节点嵌套深度、数据依赖复杂度和规则条数预估值，比较各个待生成的节点的任务复杂度参数与预设的最小粒度阈值的大小：

16、若待生成的节点的任务复杂度参数大于最小粒度阈值，沿抽象语法树向下继续拆分待生成的节点，直至拆分得到的各个子节点的任务复杂度参数均小于或等于最小粒度阈值，将拆分后的待生成子节点和小于最小粒度阈值的待生成的节点保存最小子任务；

17、步骤s23，基于任务结构骨架中的数据流依赖图和函数调用关系图，分析所有最小子任务之间的相互依赖关系，所述相互依赖关系包括数据流依赖和控制流依赖；根据相互依赖关系对所有的最小子任务进行拓扑排序，所述最小子任务包括第一最小子任务和第二最小子任务，拓扑排序的排序规则为：当第一最小子任务依赖于第二最小子任务，则将所述第二最小子任务排列在第一最小子任务之前，将所有的最小子任务依次存入调度队列中，生成子任务队列。

18、优选地，所述步骤s3具体包括：

19、从子任务队列中提取待处理的最小子任务，并获取待处理的最小子任务在抽象语法树中对应的目标节点，在抽象语法树中沿目标节点向上回溯，获取目标节点的父节点类型，并提取目标节点的同级节点信息作为兄弟节点约束；根据目标节点的节点编号，在上下文信息池中进行索引查询，匹配出符合目标节点的所属作用域范围内的符号名称和参数类型信息，并将匹配出的符号名称和参数类型信息构成知识元素集合，将父节点类型、兄弟节点约束和知识元素集合组合成局部上下文。

20、优选地，所述步骤s4具体包括：

21、获取预设的结构化提示词模板，所述结构化提示词模板包括任务描述字段、上下文信息字段、约束条件字段和输出格式字段；将目标节点的属性信息填充至任务描述字段，将局部上下文填充至上下文信息字段，并将局部上下文中的兄弟节点约束和知识元素集合填充至约束条件字段，对结构化提示词模板的各个字段进行动态组装，生成结构化提示词；

22、将结构化提示词下发至大语言模型，通过大语言模型对所述结构化提示词进行处理，生成对应的内容片段。

23、优选地，所述步骤s5具体包括：

24、调用代码解析工具对内容片段进行语法解析与结构转换，得到抽象语法树子节点；在抽象语法树中定位目标节点的位置，将抽象语法树子节点挂载拼接至抽象语法树中目标节点的位置，利用抽象语法树子节点替换缺失具体代码的目标节点，基于挂载拼接后的抽象语法树子节点，更新抽象语法树的节点连接关系，并将待处理的最小子任务更新为已完成处理状态。

25、优选地，所述步骤s6包括如下子步骤：

26、步骤s61，将抽象语法树转化为局部结构化文本，调用预设的规则校验器对局部结构化文本执行局部编译操作，并生成局部编译结果；

27、步骤s62，对局部编译结果进行局部结构校验，若局部结构校验通过，继续调度子任务队列中的下一子任务，直至所有子任务编译通过，输出编译结果，若局部结构校验未通过，自动提取编译诊断信息对目标提示词进行修正，递归调用大语言模型重新执行挂载与局部结构校验。

28、优选地，所述步骤s62具体包括：

29、若局部结构校验未通过，从局部编译结果中提取编译诊断信息，将所述编译诊断信息作为负向反馈条件，填充至结构化提示词的约束条件字段中，利用填充后的约束条件字段对所述结构化提示词进行更新，生成修正后的结构化提示词，所述编译诊断信息包括语法错误类型和错误触发位置；

30、将所述修正后的结构化提示词重新下发至大语言模型，通过大语言模型对修正后的结构化提示词进行处理，生成修正内容片段；

31、调用代码解析工具对修正内容片段进行语法解析与结构转换，得到新的抽象语法树子节点；

32、将新的抽象语法树子节点挂载拼接至抽象语法树中，替换抽象语法树中的抽象语法树子节点，并返回执行局部编译操作，递归执行挂载与局部结构校验，直至局部编译结果指示局部结构校验通过。

33、优选地，所述局部结构校验通过的处理逻辑为：

34、若局部编译结果指示局部结构校验通过，查询子任务队列中是否存在未处理的最小子任务；

35、若子任务队列中存在未处理的最小子任务，从子任务队列中提取下一个未处理的最小子任务，并返回执行步骤s3，继续调度子任务队列中的下一个最小子任务；

36、若所述子任务队列中的所有最小子任务都已完成处理，且对应的所有局部编译结果指示局部结构校验通过，则将最终完成所有目标节点替换的抽象语法树转换为完整的目标结构化文档，输出所述目标结构化文档作为最终的编译结果。

37、优选地，所述递归执行挂载与局部结构校验的过程中，还包括基于编译反馈的任务粒度自适应降级拆分，具体包括：

38、在每次将修正后的结构化提示词重新下发至大语言模型时，记录针对当前处理的最小子任务的重试调用次数；

39、比对重试调用次数与预设的错误熔断阈值：

40、若重试调用次数错误熔断阈值，继续执行生成修正内容片段；

41、若重试调用次数错误熔断阈值，且局部编译结果仍指示局部结构校验未通过，则拦截当前的递归执行流程，并判定当前处理的最小子任务对应的目标节点的任务复杂度超过大语言模型的单次生成能力；

42、提取目标节点对应的抽象语法树子结构，按照预设的语法树降级拆分规则，将当前处理的最小子任务进一步向下细化拆解为多个次级子任务，并分析所述多个次级子任务之间的数据流依赖关系；

43、利用多个次级子任务替换子任务队列中当前处理的最小子任务，并按照数据流依赖关系对多个次级子任务进行排序，并插入至子任务队列的执行前端，清空重试调用次数，将多个次级子任务返回执行步骤s3

44、本发明的有益效果：通过基于抽象语法树的任务递归拆解与复杂度评估机制，将复杂结构化生成任务分解为与模型当前能力边界相匹配的最小子任务，避免了因单次生成粒度过大而导致的上下文遗忘、逻辑断裂与术语不一致，提升了长文档与复杂方案的生成质量；利用上下文信息池和局部上下文动态组装技术，将全局生成工程裁剪为仅包含当前子任务所必需的最少必要知识，阻断了过多冗余信息对模型产生的干扰，确保生成内容符合强逻辑约束；建立了验证反馈驱动的闭环验证与自动修正体系，将局部诊断信息转化为负向反馈约束，动态修正结构化提示词并递归调用大模型重新生成，提升了复杂结构化内容生成的自动化程度与合规性；引入了基于验证反馈的任务粒度自适应降级拆分机制，当某一子任务反复触发验证错误并超出预设熔断阈值时，自动将任务进一步细化为多个次级子任务并重新调度，使任务复杂度强制回落至模型可靠生成的范围之内，防止生成流程陷入死循环，增强了系统的鲁棒性；在纠错过程中仅需替换局部抽象语法树节点，无需重构整个文档或系统方案，有效降低了单次大语言模型调用的token消耗，减轻了算力负担，并避免了全局重构可能引入的不可控错误。