控制与决策

作者：金宗瀚,吴李康,刘玉祥,何明,赵洪科

单位：天津大学 管理与经济学部，天津 300072;天津大学 复杂管理系统实验室，天津 300072,,天津大学 管理与经济学部，天津 300072;天津大学 复杂管理系统实验室，天津 300072,,廊坊师范学院，体育学院，河北 廊坊 065000,,联想研究院，北京 100085,,天津大学 管理与经济学部，天津 300072;天津大学 复杂管理系统实验室，天津 300072,

关键词：大语言模型;智能体;知识增强;任务分解;规划幻觉;多跳推理

基金：天津市教委社会科学重大项目(2024JWZD04).

基于大语言模型的智能体在复杂任务的处理中表现出卓越的语言理解和深度推理潜力, 然而, 当它在应对更加复杂的挑战时, 尤其是某一特定领域内涉及到领域规则的复杂任务时, 其表现往往不尽人意. 这种不足主要源于大语言模型内部缺乏对领域中专业知识和依赖约束的显示建模, 导致解决问题的过程中生成不符合逻辑或不可执行的子任务序列, 进而引发规划幻觉和领域知识结构性缺失等问题. 为解决这类问题, 提出一种基于知识增强的复杂任务分解框架. 该框架将知识图谱与思维链技术相融合, 旨在以知识增强为核心, 通过构建约束关系和领域知识双图谱, 为大语言模型在解析复杂任务的过程中提供结构化知识约束, 并结合高质量的推理路径输入, 引导模型生成语义完整、逻辑合理且可执行的子任务序列. 实验结果表明, 在2WikiMultiHopQA、HotpotQA和MuSiQue三类多跳问答数据集上, 基于不同参数规模的Qwen2.5模型中, KTD框架在所有任务和资源配置下均显著优于主流的相关Prompting策略方法, 其中在1.5B低资源配置下任务准确率最高可提升13.86%, 进一步表明了KTD框架在缓解规划幻觉和弥补领域知识结构性缺失方面的有效性.

来源：2026年第5期

《控制与决策》期刊编辑部

查看控制与决策杂志2026年第5期