一种基于知识图谱增强的脚手架方案辅助撰写系统的制作方法

本技术属于人工智能与建筑工程信息化的深度融合领域，尤其涉及一种基于知识图谱增强的脚手架方案辅助撰写系统。

背景技术：

1、在现代建筑工程的施工设计中，脚手架工程专项方案的编制是一项极具挑战性的任务。它不仅要求设计者具备深厚的结构力学知识，还必须严格遵循国家及行业发布的众多安全技术规范，例如《施工脚手架通用规范》（gb 55023-2022）等。方案的参数合理性直接关系到施工人员的生命安全、经济效益，因此方案中的每一项参数设置——从立杆步距、纵距到连墙件的布置，以及复杂的荷载计算——都必须具备严密的逻辑支撑和规范依据。

2、然而，传统的方案撰写模式高度依赖人工经验，存在以下显著弊端。首先，知识检索效率低下。建筑规范文档通常篇幅宏大、条款细碎，工程师在撰写方案时需频繁翻阅多本手册，极易遗漏关键的强制性条文。其次，传统检索增强生成（baseline rag）系统在处理此类专业文档时表现不佳。基于文本分块和语义向量相似度的检索方式，往往将完整的逻辑链路割裂为孤立的文本碎片。对于脚手架工程中普遍存在的“多跳逻辑”（multi-hoplogic），如“地基承载力如何影响立杆底部的垫板选用，进而影响整体稳定性”等复杂推理，基准 rag 往往因缺乏对实体间显式关系的感知，无法实现从“连墙件”到“抗风荷载计算”等深层物理或规范路径的扩散，从而导致生成内容的逻辑断层或“幻觉”现象。最后，工程数据的异构性与关联性难以兼顾。施工现场的实际数据（如地质勘察报告、建筑结构图纸）与抽象的规范条文之间存在巨大的语义鸿沟。现有的系统通常无法在存储大规模非结构化文本的同时，高效维护实体间的层级与约束关系。

3、虽然学术界提出了利用知识图谱增强 rag（即 graphrag）的思路，但其在建筑工程领域的工程化落地仍面临存储性能与计算复杂度的双重挑战。使用传统的图数据库（如neo4j）进行实时检索时，在大规模节点遍历下常出现延迟过高的问题，且其与现代大数据生态系统的集成成本较高。

4、因此，开发一种既能利用知识图谱的逻辑表达能力，又能通过高效的列式存储关系索引与轻量级嵌入式查询引擎（如 duckdb）实现超大规模关系高效查询，并融合局部图扩散与全局社区发现摘要的智能化辅助系统，已成为建筑智能化领域亟待解决的问题 。

技术实现思路

1、本技术的目的在于：为了克服现有技术问题，公开了一种基于知识图谱增强的脚手架方案辅助撰写系统，将脚手架工程领域的非结构化文档转化为结构化的语义-关系双层索引。通过抽取用户提交文档及标准规范中的核心实体，利用向量数据库实现语义模糊匹配，同时采用 apache parquet 格式存储实体间的复杂逻辑关系，并依托高效图算法实现上下文的精准重构。

2、本技术目的通过下述技术方案来实现：

3、一种基于知识图谱增强的脚手架方案辅助撰写系统，所述脚手架方案辅助撰写系统包括：

4、数据源层，接入有多源异构数据作为原始数据源，并经数据抽取与清洗后，作为后续图谱构建的前置材料输入至上一层；

5、图谱数据索引与处理层，将非结构化文本转化为机器可理解的结构化数据，通过构建parquet与向量索引后，输入至上一层存储引擎中；

6、知识图谱混合索引存储层，采用向量-列式关系执行双引擎混合存储；

7、检索与逻辑推演层，被配置为进行 sql 聚合与算法推演，从海量数据中提取逻辑子图；

8、业务应用与生成层，用于实现用户交互与大语言模型的内容生成。

9、根据一个优选的实施方式，所述数据源层接入的数据源模块包括：国家法规/规范规程库模块、工程私有数据模块和历史方案库模块，

10、其中，国家法规/规范规程库模块包含有建筑施工规范相关行业标准及强制性条文，工程私有数据模块包含有预设项目的地质勘察报告或设计图纸说明，历史方案库模块包含有过往已验证的施工方案。

11、根据一个优选的实施方式，所述图谱数据索引与处理层内设有文本切分器、三元组抽取模块、实体统一/消歧模块以及向量化引擎，

12、所述文本切分器首先对输入文档进行语义感知的切片处理，三元组抽取模块利用大语言模型执行三元组抽取，实体统一/消歧模块对抽取出的实体进行统一化处理，向量化引擎将处理后的文本与实体统一执行向量化编码，为后续的混合存储做准备。

13、根据一个优选的实施方式，所述知识图谱混合索引存储层基于向量数据库将接收实体及其上下文描述数据转化为高维向量储存；

14、所述知识图谱混合索引存储层基于parquet 关系索引存储模块将脚手架关系以apache parquet列式存储格式存储；

15、所述知识图谱混合索引存储层基于duckdb / sql interface作为虚拟化查询引擎，直接在parquet文件上运行标准sql或图查询指令。

16、根据一个优选的实施方式，所述检索与逻辑推演层包括：

17、意图解析器，用于分析用户查询需求；

18、种子节点定位器，用于计算用户查询向量与实体库中各节点向量的余弦相似度，识别初始入口：；

19、ppr扩散与leiden聚类模块，融合有局部逻辑扩散与全局社区感知双重算法，通过ppr计算，任何与查询没有直接语义重复，但在工程逻辑上紧密相关的节点将被赋予预设高分值，并作为上下文依据提供给生成器；利用leiden算法对全图进行分层聚类，为每个社区预生成摘要。

20、根据一个优选的实施方式，ppr扩散与leiden聚类模块中利用ppr算法在parquet关系索引上进行权重扩散，

21、设为从parquet数据生成的脚手架知识图谱，给定一组初始激活实体，ppr 算法的平稳分布向量满足：

22、

23、其中：为跳跃概率，控制随机游走回到初始实体的频率，

p是基于边权重归一化后的转移概率矩阵，反映了构配件间的物理或逻辑连接强度；为个性化向量，将概率质量集中在用户查询直接涉及的种子节点上。

24、根据一个优选的实施方式，ppr扩散与leiden聚类模块中，leiden算法通过优化模块度来识别紧密关联的实体簇：

25、

26、其中，是模块度值，是网络中总边数，表示邻接矩阵元素，是节点i和节点j的度，即连接到该节点的边数，表示当节点i和j属于同一社区时值为1，否则为0。

27、根据一个优选的实施方式，模块度值表示的是同一社区内实际边数与随机期望边数的差值，并用总边数归一化，正值表示社区内连接比随机预期更紧密。

28、根据一个优选的实施方式，所述业务应用与生成层包括：

29、用户交互界面 web ui：用于提供可视化的操作入口，展示生成的方案及关联的知识图谱路径；

30、动态 prompt 组装器：接收下层检索到的上下文，包括ppr扩散出的相关节点和leiden聚类的全局摘要，将其注入prompt模板；

31、方案生成器llm：基于组装好的prompt生成专业的脚手架施工方案。

32、根据一个优选的实施方式，所述业务应用与生成层还包括：

33、溯源校验模块，用于确保生成内容的每一处引用均可追溯至具体的规范条款或历史案例，保证方案的合规性。

34、前述本技术主方案及其各进一步选择方案可以自由组合以形成多个方案，均为本技术可采用并要求保护的方案。本领域技术人员在了解本技术方案后根据现有技术和公知常识可明了有多种组合，均为本技术所要保护的技术方案，在此不做穷举。

35、本技术的有益效果：

36、本技术通过构建多源数据治理→迭代知识抽取→混合索引存储→语义-图融合检索→合规方案生成的完整技术链条，不仅解决了传统脚手架方案撰写过程中知识检索碎片化、隐性规范难捕获、多跳逻辑推理缺失及生成内容难溯源等核心痛点，还在存储效率、查询响应及生成质量等方面取得了显著的技术进步，为建筑施工领域的智能化方案辅助撰写提供了高可靠、高效率的系统级解决方案。