Knowledge-Grounded Agentic Large Language Models for Multi-Hazard Understanding from Reconnaissan...

一、文章主要内容总结

本文聚焦灾后侦察报告的多灾害理解问题，针对此类报告非结构化、专业术语密集、上下文依赖强的特点，以及现有大语言模型（LLMs）易幻觉、传统检索增强生成（RAG）框架检索碎片化、忽视多灾害关联性等缺陷，开展了系统性研究：

1. 数据集构建：创建了HazardRecQA数据集，基于GEER全球7类灾害（地震、飓风、洪水等）的90起事件侦察报告，生成5776个问答对，涵盖灾害特征、分析方法、影响与破坏、响应与恢复四大知识类别，支持模型客观评估。
2. 框架设计：提出混合检索智能RAG（MoRA-RAG）框架，核心包含三部分：
   • 智能分块（Agentic Chunk）：通过LLM代理提取事实命题并分组，保留上下文连贯性，避免传统分块的语义碎片化；
   • 混合检索（Mixture-of-Retrieval）：通过路由代理动态分配检索预算至相关灾害数据库，强化跨灾害关联信息检索；
   • 智能验证循环：由五大代理（路由、在线搜索、证据评估、反思重写、答案生成）组成，验证证据充分性、补充外部知识、优化查询，提升结果可靠性。
3. 实验验证：在HazardRecQA上验证，MoRA-RAG准确率达94.5%，较零样本LLMs提升30%，较现有先进RAG系统提升10%，显著降低幻觉；开源模型（如GPT-oss-20B）在该框架下性能接近闭源模型，且缓解了小众灾害（如海啸、野火）的推理偏差。

二、文章创新点