KNOWLEDGE GRAPH FUSION WITH LARGE LANGUAGE MODELS FOR ACCURATE, EXPLAINABLE MANUFACTURING PROCESS PL

文章主要内容总结

本文介绍了一种名为ARKNESS（Augmented Retrieval Knowledge Network Enhanced Search & Synthesis） 的端到端框架，旨在解决计算机数控（CNC）加工过程规划中决策复杂、传统方法局限性大及大语言模型（LLMs）存在幻觉和缺乏溯源性等问题。

该框架通过以下方式实现精准、可解释的加工过程规划：

1. 自动知识图谱构建：无需手动标注，将异构加工文档（手册、G代码注释、供应商数据表等）提炼为带上下文的增强三元组多关系知识图谱；
2. 检索增强生成：将任意本地部署的LLM与检索器结合，检索器注入回答查询所需的最小、带证据的子图，使LLM生成可验证、数值精确的结果。

实验表明，在涵盖刀具尺寸、进给速度优化等155个行业问题上，经ARKNESS增强的3B参数轻量级Llama-3模型匹配GPT-4o的准确性，多项指标（选择题准确率+25个百分点、F1分数+22.4个百分点、ROUGE-L提升8.1倍）显著提升，且减少了22个百分点的数值幻觉，可在车间本地实时部署。

创新点

1. 自动化知识图谱构建：无需手动标注，自动从异构加工文档中提取实体-关系-上下文三元组，构建增强多关系知识图谱，解决传统知识图谱依赖人工整理的问题；
2. 检索增强生成机制：将LLM与知识图谱检索结合，仅注入必要的证据子图，确保回答可溯源