arXiv cs.AI· Younghwan Joo, Sung-il Kim·· 9 天前AI 评分27
窄而深：面向工业设备系统的 LLM 智能体知识本体塔
Narrow and Deep: An Ontology Tower as the Knowledge of an LLM Agent for an Industrial Equipment System
AI 导读
研究提出"本体塔"（ontology tower），一种针对单一工业设备系统的窄而深本体，通过物理关系推导量和运行日志知识节点两条路径加深知识。在真实低湿度空气处理试验厂上，用 4 个 9B 至约 750B 参数的开源模型回放 9 项任务评估，该知识使智能体避开最可能误判的比例提升约 20 个百分点，9B 模型总分追平最大模型。
正文 · AI 翻译
摘要：大型语言模型（LLM）智能体正开始操作工业能源设备，而它们能否做出正确判断，取决于它们被告知了关于该工厂的哪些信息。现有的建筑本体论命名了许多站点中的许多类型的点位，而工业设备系统则需要少量实体，且对每个实体有大量知识。本研究提出了本体塔（ontology tower），这是一种针对单一设备系统的窄而深的本体论，其知识通过两种方式加深：一是通过物理关系从测量点推导出的量，二是将运行日志中的经验教训作为知识节点纳入其中。在一个真实的低湿度空气处理试验工厂中，该工厂通过可编程逻辑控制器每日运行，智能体在预先注册的评估中接收了从其本体塔投射出的文本，评估包含九项从工厂记录中回放的任务，使用了四个开放权重模型，参数量从 90 亿到约 7500 亿。这些知识使智能体避免每项任务中最可能的误判的比率提高了约 20 个百分点，并使 90 亿参数模型的总体任务得分达到与最大模型相当的水平。运行经验教训在本体塔中被纳入或以记录形式置于提示中时会被使用，但当它们留在日志中、置于搜索工具之后时则很少被使用。在通过不变安全层的实时运行中，智能体在 14 次运行中有 12 次将受控变量带入其目标区间。因此，一种实体范围窄但对其实体所知甚深的本体论，能够为工业设备系统的智能体提供所需的知识。
| 评论： | 28 页，6 幅图，3 张表 |
| 主题： | 系统与控制（eess.SY）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.11768 [eess.SY] |
| （或 arXiv:2610.11768v1 [eess.SY] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.11768 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
发件人：Younghwan Joo [查看电子邮件]
[v1]
2026 年 10 月 8 日星期四 11:50:51 UTC（507 KB）
来源：arXiv cs.AI · arxiv.org