论文发表于2025WWW。作者来自联想诺谛智能科技有限公司。诺谛智能是联想集团孵化的、新一代认知与决策人工智能企业。
【研究背景】
制造业知识管理面临“三多”挑战：形态多样（文本、表格、图像/CAD）、来源广泛（文档库、业务系统、知识图谱）、场景多元（故障排查、参数咨询、标准解读）。传统方法在知识整合、精准检索与智能问答方面存在明显局限。
【研究内容】
作者构建了“多智能体+多源融合+思维型RAG”统一框架，具体包括三大设计：
①统一知识底座：将手册、表格、图片、数据库等异构资源整合为统一知识库。对文档进行OCR识别与版面解析，对段落进行标签化与向量索引；从中提取实体关系构建知识图谱；为数据库添加语义接口，支持自然语言查询。
②协同检索机制：设置“调度智能体”与三大“专业智能体”，根据问题类型智能路由至相应检索通道。调度体先判别问题归属，随后三路并行检索；最终由“汇总模块”完成证据对齐、冲突消解与信息补全，形成一致答案。
③可解释输出与可执行反馈：回答前对模糊问题进行澄清询问；输出时提供“结论+原文依据+操作指引/图表”。生成环节将文字说明、原文引用、表格/图片与步骤卡片有机结合，并标注来源，确保结果可追溯。
【研究实验】
①数据构建：自建多源数据集，涵盖文档、知识图谱与关系数据库三类任务样本，划分训练/验证/测试集。
②任务设置：对应三类专业智能体的问答任务：文档问答、图谱问答与数据库问答，覆盖事实查询、诊断推理与结构化检索。
③对比方法：采用三档渐进配置。基线NaiveRAG（仅检索-生成）→+多智能体（引入分工协同）→+思维RAG（增强澄清与可解释生成）。
④评价指标：相关性与答案一致性。
【实验结果】
①基线模型：能够生成回答，但存在信息覆盖不全、解释不够深入的问题。
②引入多智能体：相关性与一致性显著提升，检索更全面、定位更精准，得益于“先判别再分工”的并行检索机制。
③加入思维RAG：在多智能体基础上，答案一致性进一步提升，生成结果更忠实于证据源。
#带你一起读论文#智能体 #大模型 #文献阅读 #大语言模型前沿 #文献 #多智能体协作 #工业数字化 #科研学习 #提供思路和创新点
【研究背景】
制造业知识管理面临“三多”挑战：形态多样（文本、表格、图像/CAD）、来源广泛（文档库、业务系统、知识图谱）、场景多元（故障排查、参数咨询、标准解读）。传统方法在知识整合、精准检索与智能问答方面存在明显局限。
【研究内容】
作者构建了“多智能体+多源融合+思维型RAG”统一框架，具体包括三大设计：
①统一知识底座：将手册、表格、图片、数据库等异构资源整合为统一知识库。对文档进行OCR识别与版面解析，对段落进行标签化与向量索引；从中提取实体关系构建知识图谱；为数据库添加语义接口，支持自然语言查询。
②协同检索机制：设置“调度智能体”与三大“专业智能体”，根据问题类型智能路由至相应检索通道。调度体先判别问题归属，随后三路并行检索；最终由“汇总模块”完成证据对齐、冲突消解与信息补全，形成一致答案。
③可解释输出与可执行反馈：回答前对模糊问题进行澄清询问；输出时提供“结论+原文依据+操作指引/图表”。生成环节将文字说明、原文引用、表格/图片与步骤卡片有机结合，并标注来源，确保结果可追溯。
【研究实验】
①数据构建：自建多源数据集，涵盖文档、知识图谱与关系数据库三类任务样本，划分训练/验证/测试集。
②任务设置：对应三类专业智能体的问答任务：文档问答、图谱问答与数据库问答，覆盖事实查询、诊断推理与结构化检索。
③对比方法：采用三档渐进配置。基线NaiveRAG（仅检索-生成）→+多智能体（引入分工协同）→+思维RAG（增强澄清与可解释生成）。
④评价指标：相关性与答案一致性。
【实验结果】
①基线模型：能够生成回答，但存在信息覆盖不全、解释不够深入的问题。
②引入多智能体：相关性与一致性显著提升，检索更全面、定位更精准，得益于“先判别再分工”的并行检索机制。
③加入思维RAG：在多智能体基础上，答案一致性进一步提升，生成结果更忠实于证据源。
#带你一起读论文#智能体 #大模型 #文献阅读 #大语言模型前沿 #文献 #多智能体协作 #工业数字化 #科研学习 #提供思路和创新点
