Brick-DICL: 用于自动化Brick Schema分类的动态上下文学习框架

# Brick-DICL：面向砖石模式分类的动态上下文学习
来源：https://arxiv.org/html/2606.17637
Yiyue Qian1, Shinan Zhang1, Huan Song1, Negin Sokhandan1, Hannah Marlowe1, Diego Socolinsky1\{iamyiyue, shinanz, huanso, ngnsl, marloweh, sclinsky\}@amazon.com1 Amazon AWS 生成式 AI 创新中心

(2026)

###### 摘要

楼宇管理系统 (BMS) 对于优化现代建筑的能效和运营性能至关重要。然而，不同制造商的 BMS 点位缺乏标准化，给集成和数据利用造成了重大障碍。虽然砖石模式 (Brick schema) 为楼宇系统提供了标准化的本体，但将 BMS 点位映射到适当的砖石类面临三个关键挑战：(i) 砖石类数量庞大（最新版本中有 936 个），(ii) 大语言模型 (LLM) 的领域知识有限，以及 (iii) 需要大量人工验证工作。为应对这些挑战，我们提出了 Brick-DICL，一个两阶段动态上下文学习框架，用于自动化砖石模式分类。Brick-DICL 包含两个主要组件：元数据 RAG（检索相关示例以增强 LLM 的领域知识）和类 RAG（缩小潜在的砖石类并处理庞大的分类空间）。此外，我们实现了一种多 LLM 过滤机制，用于比较多个模型的预测，并将低置信度的分类标记出来供人工审查。结果如下：(i) 通用性：Brick-DICL 适用于任何楼宇管理系统，无论制造商或元数据格式如何；(ii) 新颖且强大：作为首个用于砖石模式分类的动态上下文学习方法，Brick-DICL 在建筑数据集上实现了显著的分类准确率提升，超越了现有方法；(iii) 高效：我们的多 LLM 过滤策略减少了人工验证工作量，加快了数字建筑的接入速度。大量实验证明了 Brick-DICL 在不同建筑数据集上的有效性，加速了迈向标准化、可互操作的楼宇管理系统的道路。

楼宇管理系统、上下文学习、大语言模型、砖石模式分类、多类分类

††journalyear:2026††copyright:acmcopyright††conference:Proceedings of the International Workshop on Resource-Efficient Learning for Knowledge Discovery (RelKD 2026), co-located with KDD 2026; Aug 10, 2026; Jeju, Korea††booktitle:Proceedings of the International Workshop on Resource-Efficient Learning for Knowledge Discovery (KDD RelKD '26), Aug 10, 2026, Jeju, Korea††doi:10.1145/nnnnnnn.nnnnnnn## 1. 引言

楼宇管理系统 (BMS) 对于优化现代建筑的能效、运营性能和可持续性至关重要 (katib2016integrating, (https://arxiv.org/html/2606.17637#bib.bib16);lee2017data, (https://arxiv.org/html/2606.17637#bib.bib17);ding2019metadata, (https://arxiv.org/html/2606.17637#bib.bib9);volk2014building, (https://arxiv.org/html/2606.17637#bib.bib47))。然而，不同制造商的元数据缺乏标准化，给建筑的无缝集成和接入数字平台造成了重大障碍。这种碎片化使得收集、整合和提取可靠数据以用于洞察和分析变得复杂，阻碍了实现高效楼宇管理的努力 (balaji2016brick, (https://arxiv.org/html/2606.17637#bib.bib2))。为应对这些挑战，砖石模式 (Brick schema) (balaji2016brick, (https://arxiv.org/html/2606.17637#bib.bib2)) 作为一种标准化的开源本体应运而生，成为一种有前景的解决方案。它提供了一个结构化框架，用于表示建筑资产、系统和设备之间的关系，如图 1 (https://arxiv.org/html/2606.17637#S1.F1) 所示，通过简化数据访问加速业务成果的交付。砖石模式的层次图结构（其中类以父子关系组织，形成有向无环图）自然地适用于基于图的表示技术，以捕获类之间的相似性 (vittori2025bim, (https://arxiv.org/html/2606.17637#bib.bib46))。例如，图 1 (https://arxiv.org/html/2606.17637#S1.F1) 展示了空气处理单元 (AHU1A) 如何连接到变风量箱 (VAV2-4, VAV2-3)，这些变风量箱又连接到房间以及相关的传感器和设定点，说明了砖石模式的层次和关系结构。

尽管有其优势，将 BMS 点位映射到砖石模式类仍然是一项艰巨的任务，原因有二：砖石类数量庞大（最新版本中有 936 个类）以及大语言模型 (LLM) 的领域知识有限。点分类的巨大规模要求使用复杂的技术来确保跨不同楼宇系统的准确映射 (steiniger2008approach, (https://arxiv.org/html/2606.17637#bib.bib45);wang2018automated, (https://arxiv.org/html/2606.17637#bib.bib49))。与此同时，尽管 LLM 具有令人印象深刻的一般能力，但由于缺乏对专业数据集和上下文知识的充分暴露，它们通常在 BMS 点分类等特定领域任务中表现不佳 (hager2024evaluation, (https://arxiv.org/html/2606.17637#bib.bib14);ge2023openagi, (https://arxiv.org/html/2606.17637#bib.bib13);xue2024domain, (https://arxiv.org/html/2606.17637#bib.bib55);welz2024enhancing, (https://arxiv.org/html/2606.17637#bib.bib51);qian2025enhancing, (https://arxiv.org/html/2606.17637#bib.bib35))。此外，手动验证 LLM 生成的点映射分类结果是劳动密集型和耗时的，尤其是在处理跨多栋建筑的数千个点位时 (wagner2024towards, (https://arxiv.org/html/2606.17637#bib.bib48);ma2024specgen, (https://arxiv.org/html/2606.17637#bib.bib20);li2025verification, (https://arxiv.org/html/2606.17637#bib.bib18);qian2026collabeval, (https://arxiv.org/html/2606.17637#bib.bib36))。

参见说明图 1。砖石模式层次结构示例，展示了 BMS 中设备、位置和点类之间的关系。为应对上述挑战，本文引入了 Brick-DICL，用于砖石模式分类，这是一种新颖的两阶段动态上下文学习 (DICL) 方法，利用了检索增强生成 (RAG) 技术。我们的方法系统地解决了每个挑战：首先，为处理大量的砖石类，我们实现了一个类特定的 RAG，仅检索最相关的类，从而大大减少了分类空间。其次，为克服 LLM 领域知识有限的不足，我们开发了一个元数据 RAG，从精心策划的数据库中检索相似且正确分类的示例，为模型提供针对每个输入点位的上下文特定知识。对于每个分类任务，我们首先从元数据 RAG 检索相关示例，以指导 LLM 的初始预测，然后利用此预测检索相关的砖石类，显著缩小潜在的分类选项。最后，为减少人工验证工作量，我们实现了一个多 LLM 框架，配备了一个复杂的过滤机制，用于识别模型预测之间的差异，使人类专家能够只关注模糊或低置信度的分类。我们的框架在两个建筑数据集上进行了评估，结果表明分类准确率和效率均显著优于基线模型。总之，我们的方法包含三个关键创新点：

- **通用性**：我们引入了 Brick-DICL，一个通用的动态上下文学习框架，包含元数据 RAG 和类 RAG，用于将点位映射到砖石类。该通用框架适用于任何 BMS 中的点位。
- **新颖且强大**：据我们所知，Brick-DICL 是首个设计在 LLM 上使用动态上下文学习来处理大量砖石类及领域知识不足问题的方法。与现有方法相比，Brick-DICL 在两个建筑数据集上实现了将 BMS 点位映射到砖石类的显著改进。
- **高效**：Brick-DICL 旨在通过使用多 LLM 验证分类并自动标记低置信度案例供人工审查，从而最小化验证中的人力投入。

## 2. 相关工作

**砖石点位分类**。BMS 点位是建筑的输入/输出元素，允许软件读取传感器值并写入控制命令 (bhattacharya2015short, (https://arxiv.org/html/2606.17637#bib.bib5);hong2013towards, (https://arxiv.org/html/2606.17637#bib.bib15);gao2015data, (https://arxiv.org/html/2606.17637#bib.bib11);fiorelli2023automated, (https://arxiv.org/html/2606.17637#bib.bib10))。然而，BMS 点位标签很大程度上是临时构建的，受供应商或站点特定惯例驱动，给标准化和互操作性带来了挑战。Balaji 等人 (balaji2018brick, (https://arxiv.org/html/2606.17637#bib.bib3)) 引入了砖石模式作为表示建筑组件及其关系的全面解决方案，为标准化点位分类奠定了基础，同时承认广泛的类层次结构带来的复杂性。砖石模式 (balaji2018brick, (https://arxiv.org/html/2606.17637#bib.bib3);bhattacharya2015short, (https://arxiv.org/html/2606.17637#bib.bib5);hong2013towards, (https://arxiv.org/html/2606.17637#bib.bib15);gao2015data, (https://arxiv.org/html/2606.17637#bib.bib11)) 通过提供标准化的建筑元数据本体来应对这些挑战。它将点位标签中隐含的半结构化信息转换为显式、标准化的模型，供软件访问。正如 Balaji 等人所指出的，最新的砖石模式包含 936 个不同的类，这构成了一个大规模的多类分类问题，使用传统机器学习方法难以处理。砖石模式中大量的类别给分类系统带来了根本性挑战，尤其是在处理有限的训练数据和跨所有类别的高精度需求时。鉴于砖石模式本质上是一个具有不平衡类分布的层次图，一些工作探索了基于图的方法来建模建筑本体结构和类间关系 (vittori2025bim, (https://arxiv.org/html/2606.17637#bib.bib46);qian2022co, (https://arxiv.org/html/2606.17637#bib.bib34);qian2024dual, (https://arxiv.org/html/2606.17637#bib.bib32);qian2023universal, (https://arxiv.org/html/2606.17637#bib.bib31);qian2025adaptive, (https://arxiv.org/html/2606.17637#bib.bib33);ma2025adaptive, (https://arxiv.org/html/2606.17637#bib.bib27);qian2024graph, (https://arxiv.org/html/2606.17637#bib.bib30);ye2020alpha, (https://arxiv.org/html/2606.17637#bib.bib58);ye2020community, (https://arxiv.org/html/2606.17637#bib.bib57);zhang2020dstyle, (https://arxiv.org/html/2606.17637#bib.bib59);ma2026bhygnn+, (https://arxiv.org/html/2606.17637#bib.bib24);qian2022rep2vec, (https://arxiv.org/html/2606.17637#bib.bib38);wen2024gcvr, (https://arxiv.org/html/2606.17637#bib.bib52);wen2022disentangled, (https://arxiv.org/html/2606.17637#bib.bib53);qian2021distilling, (https://arxiv.org/html/2606.17637#bib.bib40);qian2021adapting, (https://arxiv.org/html/2606.17637#bib.bib39);zhang2022adapting, (https://arxiv.org/html/2606.17637#bib.bib60);ma2023hypergraph, (https://arxiv.org/html/2606.17637#bib.bib26);ma202586hypergraph, (https://arxiv.org/html/2606.17637#bib.bib25);qian2022malicious, (https://arxiv.org/html/2606.17637#bib.bib37);ma2026opbench, (https://arxiv.org/html/2606.17637#bib.bib21))。受砖石模式基于图的层次结构启发，我们在本文中提出了动态 ICL，因为它可以自适应地检索相关示例并缩小潜在的类空间，使分类任务更易于管理，同时保持高准确率。

**LLM 中的上下文学习**。上下文学习 (ICL)，也称为 LLM 中的少样本学习，已成为 LLM 的一种变革性能力，使其能够在无需参数更新的情况下适应新任务 (brown2020language, (https://arxiv.org/html/2606.17637#bib.bib6);coda2023meta, (https://arxiv.org/html/2606.17637#bib.bib7);weiemergent, (https://arxiv.org/html/2606.17637#bib.bib50);peng2023instruction, (https://arxiv.org/html/2606.17637#bib.bib29);zhao2021calibrate, (https://arxiv.org/html/2606.17637#bib.bib61);agarwal2024many, (https://arxiv.org/html/2606.17637#bib.bib1);coda2023meta, (https://arxiv.org/html/2606.17637#bib.bib7);song2025learning, (https://arxiv.org/html/2606.17637#bib.bib44))。与修改内部权重的传统微调方法不同，ICL 允许模型直接从提示中嵌入的示例中学习，在灵活性、计算效率和有限示例的有效性方面提供了显著优势。具体而言，Brown 等人 (brown2020language, (https://arxiv.org/html/2606.17637#bib.bib6)) 在其开创性的 GPT-3 论文中首次展示了这种能力，表明 LLM 可以通过在提示中附加少量示例来执行新任务，而无需任何梯度更新。这种少样本学习范式代表了模型如何适应下游任务的根本性转变。尽管有优势，ICL 仍面临一些挑战：在处理复杂任务时存在可扩展性问题，结果依赖于提供示例质量的示例敏感性，以及响应不一致。Peng 等人 (peng2023instruction, (https://arxiv.org/html/2606.17637#bib.bib29)) 探讨了 ICL 在规范密集型任务中的局限性，发现 ICL 在需要广泛规范的任务中表现不佳。最近的工作探索了 LLM 赋能的方法用于领域特定分类 (ma2025llm, (https://arxiv.org/html/2606.17637#bib.bib23))、用于数据收集的多智能体系统 (ma2025autodata, (https://arxiv.org/html/2606.17637#bib.bib28)) 以及推理时模型引导技术 (xue2026inference, (https://arxiv.org/html/2606.17637#bib.bib54);ma2026nonmonotonic, (https://arxiv.org/html/2606.17637#bib.bib22))。这些局限性凸显了需要更复杂的 ICL 方法。为此，我们在本文中提出了动态 ICL，用于自适应地选择相关示例。

参见说明图 2。Brick-DICL 框架：(a) 原始数据首先被预处理，以提取和标准化元数据及候选砖石类。(b) 在第一阶段（步骤 1-5），使用嵌入模型和向量数据库对元数据进行嵌入和索引，使得能够为每个查询检索最相关的 top-K 示例。(c) 在第二阶段（步骤 6-9），一个类级别的检索增强生成 (RAG) 过程对候选砖石类进行嵌入和索引，检索 top-K 类，并将其与元数据上下文结合。(d) 然后多个 LLM 输出排名前三的分类及其概率分数和解释。
## 3. 预备知识

定义 3.1. BMS 点位与砖石模式。楼宇管理系统 (BMS) 中的点 p 是楼宇自动化系统中的一个基本数据实体，代表一个特定的运营数据点。每个 BMS 点由一组属性 Ap = {a1, a2, ..., an} 描述，记作 A