arXiv cs.AI· Liang Zhang, Beno\^{i}t Daireaux, Sergey Alyaev·· 14 小时前AI 评分22
别急着怪 LLM，先诊断工作流：本体落地 NL-to-DSL 语义解析的角色级难度画像
Before Blaming the LLM, Diagnose the Workflow: A Role-Level Difficulty Profile for Translating Natural Language into Ontology-Grounded Statements
AI 导读
针对本体落地的 ABox DSL 生成任务，论文提出一套角色级难度画像，把诊断变量分配到 Input、Generator、Output、Validator、Repairer 五个工作流角色上，共含输入充分性、上下文可得性、落地复杂度、模板匹配度、词汇覆盖率、验证强度、错误可观测性七项变量。
正文 · AI 翻译
摘要：自然语言到领域特定语言（NL-to-DSL）的语义解析系统正越来越多地将非正式的用户描述转换为结构化产物，例如结构化查询语言（SQL）查询、应用程序编程接口（API）调用、工作流、形式化规范以及基于本体的领域特定语言（DSL）语句。本文聚焦于基于本体的断言盒（ABox）DSL 生成：即将自然语言领域描述转换为基于既有本体词汇表的断言级 DSL 语句。在此场景下，句法有效性通常比语义充分性更容易实现。失败常被归因于生成器模型能力不足，但反复出现的困难来源也具有结构性：输入不足、领域基础薄弱、输出模板与词汇表缺口、验证薄弱以及非局部修复。
我们提出一种角色级难度画像，用于在工作流层面诊断基于本体的 NL-to-DSL 语义解析中的困难。该画像将诊断变量组织在五个反复出现的工作流角色上：输入、生成器、输出、验证器和修复器。这七个变量分别是输入充分性、上下文可用性、基础复杂性、模板匹配度、词汇覆盖率、验证强度和错误可观测性。实践者通过对现有证据的定性判断来构建难度画像。这一基于经验的、非穷尽的难度画像旨在支持工作流诊断，并指导重新设计或人在回路干预。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.35267 [cs.AI] |
| （或 arXiv:2610.35267v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.35267 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Liang Zhang [查看电子邮件]
[v1]
2026年10月26日星期一 11:44:21 UTC（48 KB）
来源：arXiv cs.AI · arxiv.org