可溯源知识图谱推理助力钢铁行业工业VOCs的LLM辅助决策支持

# 1 引言

来源：https://arxiv.org/html/2605.27071  
面向钢铁行业工业VOCs的可溯源知识图谱推理助力LLM辅助决策支持  

Changqing Su¹, Yu Ding¹, Zuhong Lin¹,*, Hongyu Chen¹, Hongyu Liu¹, Xi He², Zheng Zeng³, Liqing Li³,*  

¹ 湖南工商大学 新能源与环境学院，碳中和与智慧能源湖南省重点实验室，长沙 410205，中国  
² 航天凯天环保科技股份有限公司，长沙 410315，中国  
³ 中南大学 能源科学与工程学院，长沙 410083，中国  

* 通讯作者：[email protected]; [email protected]  

**关键词**：钢铁行业；VOCs；知识图谱；多智能体问答系统；大语言模型  

###### 摘要

钢铁行业挥发性有机物（VOCs）治理的关键知识分散在非结构化的科技文献中，难以整合工艺、污染物和控制技术的证据，增加了通用大语言模型（LLM）在回答低频工业问题时产生幻觉的风险。为此，我们开发了Chat-ISV——一个知识图谱（KG）增强的多智能体问答系统。该系统解析了经过筛选的钢铁行业VOCs文献语料库，构建了包含27180个节点和81779条语义边的Neo4j知识图谱，并融合了提示词约束抽取、分块中心拓扑优化、多智能体路由、源回溯检索、本地文献检索、开放域知识访问以及交互式子图可视化。基准测试和400次专家盲评表明，拓扑优化将孤立节点从57%降至4.08%，且Chat-ISV实现了高事实可靠性：精确率96.93%，召回率72.63%，F1分数0.830，平均得分1.69/2.00。通过将碎片化的环境工程文献转化为可溯源、可查询且以决策支持为导向的知识，Chat-ISV建立了一种可扩展的环境信息学范式，用于在专业工业领域实现可靠的LLM部署和智能污染控制决策支持。

钢铁行业是挥发性有机物（VOCs）的主要人为排放源，其排放影响着区域空气质量、人类健康、下游产品质量控制以及污染-碳减排协同效应[34 (https://arxiv.org/html/2605.27071#bib.bib4), 24 (https://arxiv.org/html/2605.27071#bib.bib69)]。这些耦合的环境与工艺质量问题使得钢铁行业VOC管理成为一个工艺集成挑战，而非孤立的末端治理任务[21 (https://arxiv.org/html/2605.27071#bib.bib68)]。已有大量研究关注钢铁行业VOC排放清单、协同减排技术、催化碳转化以及数据驱动的吸附剂设计[48 (https://arxiv.org/html/2605.27071#bib.bib1), 4 (https://arxiv.org/html/2605.27071#bib.bib5), 47 (https://arxiv.org/html/2605.27071#bib.bib14), 19 (https://arxiv.org/html/2605.27071#bib.bib53), 22 (https://arxiv.org/html/2605.27071#bib.bib56)]。然而，有关排放过程、VOC物种和控制技术的证据仍分散在非结构化文献中，限制了跨来源的综合分析和针对性减排。应对这种碎片化的知识格局，需要建立在集成且持续更新的证据流之上的动态AI辅助决策支持平台[49 (https://arxiv.org/html/2605.27071#bib.bib62)]。

大语言模型（LLM）的最新进展为挖掘高熵科学文献开辟了新机遇[32 (https://arxiv.org/html/2605.27071#bib.bib70)]。已有研究表明，LLM能够有效支持大规模文本理解、工具辅助的化学推理以及从海量语料中提取信息[25 (https://arxiv.org/html/2605.27071#bib.bib25), 51 (https://arxiv.org/html/2605.27071#bib.bib16), 7 (https://arxiv.org/html/2605.27071#bib.bib46), 16 (https://arxiv.org/html/2605.27071#bib.bib47), 40 (https://arxiv.org/html/2605.27071#bib.bib19), 35 (https://arxiv.org/html/2605.27071#bib.bib41), 26 (https://arxiv.org/html/2605.27071#bib.bib33), 3 (https://arxiv.org/html/2605.27071#bib.bib17), 23 (https://arxiv.org/html/2605.27071#bib.bib54)]。最近的专家系统视角也强调，跨学科的LLM需要明确扎根于真实领域证据才能保持可靠[50 (https://arxiv.org/html/2605.27071#bib.bib55)]。然而，在垂直领域中，领域特定先验知识的不足仍然是主要限制。Wu等人[42 (https://arxiv.org/html/2605.27071#bib.bib2)]系统性地表明，通用LLM可能对拓扑极性表面积等关键分子属性产生化学上不可靠的预测；而Zhou等人[52 (https://arxiv.org/html/2605.27071#bib.bib3)]报告称，当缺乏显式物理约束时，LLM可能在工业故障诊断中生成无根据的因果链。这些发现与更广泛的调查结果一致，即事实幻觉仍然是LLM在专业科学任务中可靠部署的核心障碍[15 (https://arxiv.org/html/2605.27071#bib.bib18), 12 (https://arxiv.org/html/2605.27071#bib.bib40)]。

为了减轻垂直领域LLM应用中的事实幻觉，近期研究引入了外部知识注入策略，特别是检索增强生成（RAG）和知识图谱（KG），以改善事实依据和推理可靠性[27 (https://arxiv.org/html/2605.27071#bib.bib26), 53 (https://arxiv.org/html/2605.27071#bib.bib44), 1 (https://arxiv.org/html/2605.27071#bib.bib38), 9 (https://arxiv.org/html/2605.27071#bib.bib35), 20 (https://arxiv.org/html/2605.27071#bib.bib67)]。结构化外部知识已被证明能够增强基于LLM系统中的事实依据和推理一致性，而检索增强生成的代表性设计模式进一步阐明了提高此类系统可控性、知识集成和任务适应性的架构基础[27 (https://arxiv.org/html/2605.27071#bib.bib26), 53 (https://arxiv.org/html/2605.27071#bib.bib44), 1 (https://arxiv.org/html/2605.27071#bib.bib38)]。与传统的文本分块检索相比，KG+LLM框架能够将分散的证据显式组织为实体和关系，支持多跳检索，并提供更清晰的事实约束[13 (https://arxiv.org/html/2605.27071#bib.bib66)]。然而，He等人[10 (https://arxiv.org/html/2605.27071#bib.bib51)]表明，直接进行图线性化可能引入上下文窗口压力和噪声干扰；Edge等人[8 (https://arxiv.org/html/2605.27071#bib.bib34)]证明，过于局部的top-k检索会削弱全局连通性和跨子图推理；Sun等人[31 (https://arxiv.org/html/2605.27071#bib.bib52), 44 (https://arxiv.org/html/2605.27071#bib.bib71)]指出，稀疏或碎片化的图拓扑会通过中断模型可用的推理路径而重新引入幻觉。基于这些已识别的局限性，我们假设对于钢铁行业VOCs治理，图拓扑和查询路由的协调优化能够在保持全局连通性的同时维护显式事实约束，从而更有效地降低此类风险。

因此，我们开发了Chat-ISV——一个用于钢铁行业VOCs治理的多智能体协同问答系统（图1 (https://arxiv.org/html/2605.27071#S1.F1)），这遵循了更广泛的证据，即自主和对话式LLM智能体可以在复杂任务中协调专业推理角色[38 (https://arxiv.org/html/2605.27071#bib.bib31), 41 (https://arxiv.org/html/2605.27071#bib.bib37), 46 (https://arxiv.org/html/2605.27071#bib.bib72)]。该系统被构建为LLM驱动的多智能体KG框架，集成了自动知识提取、拓扑优化以及基于图的查询路由，覆盖了过去30年发表的382篇论文。针对上述与拓扑和检索相关的局限性，我们结合了前端提示词干预、后端文献分块重构以及多智能体查询路由，以在保持图连通性的同时维护显式事实约束。在此基础上，Chat-ISV将自然语言问题转化为图查询，支持多跳推理和源文本回溯，并实现了垂直领域KG与开放域知识的协同使用。我们通过以下方式评估Chat-ISV：首先研究碎片化文献如何转化为结构化的钢铁行业VOCs知识，然后分析拓扑增强的可溯源检索和拓扑引发的推理，最后通过跨模型基准测试和专家盲评评估事实可靠性。

参见图注  
图 1：Chat-ISV 系统的流水线。从领域特定科技文献中提取非结构化知识以构建结构化知识图谱，并将图检索到的证据融入 LLM，用于钢铁行业 VOCs 治理的问答。

## 2 方法

### 2.1 数据获取与信息提取

我们以 Web of Science（WoS）数据库为主要来源，系统检索关于钢铁行业 VOCs 排放与控制的期刊文章。检索策略详见支持信息（SI）中的Text S1和Table S1。经过数据完整性和提取准确性筛选，我们获得了包含 382 篇全文文章及支持信息 PDF 的语料库，时间跨度近 30 年（1996-2025）。

鉴于钢铁行业 VOCs 控制文献的技术复杂性，我们开发了基于 LLM 的自动流水线，将非结构化文本转化为结构化知识。每篇文档使用滑动窗口策略分割为长度 ≤2000 字符的片段，以确保大规模处理的稳定性（Algorithm S1）。随后，我们构建了一个包含 9 种实体类型和 12 种关系类型的领域本体，涵盖生产过程、排放源、VOCs 物种、控制技术、分析方法以及背景因素。定义了直接物理关系（如排放、控制、测量）以及更高层次的语义关联（Table S2）。在本本体内，控制技术实体既涵盖广泛的工业过程，也包括具体的材料层面干预。例如，代表性 VOC 物种（包括丙酮和苯）与先进碳基吸附剂之间的物理和化学相互作用构成了关键决策节点[29 (https://arxiv.org/html/2605.27071#bib.bib64), 28 (https://arxiv.org/html/2605.27071#bib.bib65)]。通过将这些材料属性和吸附机制显式映射到图中，Chat-ISV 将微观材料科学创新与宏观工业应用指南联系起来。

为了提高提取精度，我们实现了提示词工程和双轨提取机制。在第一轨中，只有当文本包含清晰的词汇或句法触发词时才提取显式关系。在第二轨中，我们基于局部共现和跨句因果模式，在受约束的启发式规则下推断隐式关系。对于每个提取的实体和关系，我们还要求提供源证据和置信度分数，以确保可溯源。

### 2.2 数据清洗与对齐

尽管 LLM 能够实现有效的非结构化信息提取，但批量处理常常引入格式不一致和语义漂移。为了确保生成的知识图谱具有高可用性，我们设计了一种结合结构修复与语义规范化的双轨数据治理流水线。在结构层面，通过流式解析和验证移除格式错误的输出，以维护图的完整性。在语义层面，通过规范化来解析实体歧义，将规范名称与文本别名分离，并合并等价实体。

这种两层策略旨在减少冗余，提高结构鲁棒性和语义一致性，为下游基于图的检索和多跳推理提供可靠基础（自动提取和规范化工作流详见Text S1.4）。

### 2.3 知识图谱构建与拓扑优化

数据清洗与规范化后，我们编写了专用的 Cypher 事务脚本。该脚本高效地将标准化的 JSONL 数据集映射到 Neo4j 图数据库（Algorithm S2）；KG 构建的 JSONL 数据集已通过持久 DOI 存储在 Zenodo 中[5 (https://arxiv.org/html/2605.27071#bib.bib57)]。然而，自下而上的 LLM 提取的原始知识网络通常包含许多没有关系边的孤立节点。为了量化图的连通性和去噪效果，我们使用孤立节点比率作为核心拓扑评估指标（公式 1 (https://arxiv.org/html/2605.27071#S2.E1)）。

\[
P_{isolated} = \frac{N_{degree=0}}{N_{total}} \times 100\%
\]
(1)
其中 \(N_{degree=0}\) 表示未与其他领域实体建立有效语义关系的孤立节点数量，\(N_{total}\) 表示实体节点总数。

为了改善图连通性，我们结合了前端提示词干预和后端架构重构。在提取过程中，我们在 LLM 提示词中添加了语义共现规则，以便在缺乏显式逻辑连接词时推断启发式链接。

在数据导入过程中，文献分块被作为中间节点引入 Neo4j 架构中。系统通过 `evidence_span` 和 `evidence_text` 属性追踪实体，并创建从分块节点到实体节点的 `:MENTIONS` 边，形成以分块为中心的星形拓扑。由于分块节点可能包含多种实体类型，这种设计接受了局部关系特异性的有限损失，以换取更高的连通性和源级可溯性。

### 2.4 知识图谱问答系统设计

为了从静态结构化知识转向动态智能交互，同时解决大语言模型在专业领域常常产生事实幻觉的问题，我们开发并部署了一个基于层次化多智能体协作架构的钢铁行业 VOCs 问答系统。该系统整合了三种互补优势：领域 KG 的显式事实边界、本地文献中保留的丰富上下文细节，以及大语言模型的广泛推理能力。其核心设计反映在两个紧密相关的维度上：用于闭环问答的多智能体路由的层次化构建，以及底层图检索与源追踪机制的优化。

该问答系统采用三层路由框架，包含一个图推理智能体、一个文献检索智能体和一个开放域知识智能体，由调度智能体协调。调度器识别查询意图，选择检索路径，合并返回的证据，并将组装好的上下文传递给基础大语言模型以生成响应（Algorithm S3）。

垂直领域 KG 上的检索是主要路径，采用显式节点锚定策略[11 (https://arxiv.org/html/2605.27071#bib.bib28), 18 (https://arxiv.org/html/2605.27071#bib.bib11)]。