面向 LLM 推理的结构化分解：跨领域验证与语义网集成

基于自然语言输入的规则推理出现在决策必须可审计、可论证的领域：临床协议以散文形式规定资格标准，证据规则通过文本条件定义可采性，科学标准规定方法论要求。将规则应用于此类输入既需要解释上的灵活性，也需要形式化保证。大型语言模型（LLM）提供灵活性，但无法确保一致的规则应用；符号系统提供保证，但需要结构化输入。本文提出一种结合两者优势的集成模式：LLM 充当本体填充引擎，依据专家编写的 TBox 规范将非结构化文本翻译为 ABox 断言，而基于 SWRL 的推理器以确定性保证应用规则。该框架将推理分解为实体识别、断言抽取与符号验证，任务定义基于 OWL 2 本体。跨三个领域（法律传闻证据判定、科学方法任务应用、临床试验资格）与十一个语言模型的实验验证了该方法。结构化分解在总体上取得相对少样本提示的统计显著改进，且在所有三个领域均观察到收益。消融研究证实，符号验证在仅结构化提示之外提供了实质性收益。填充得到的 ABox 可与标准语义网工具集成以进行检查和查询，使该框架得以支持更简单形式化无法表达的更丰富推理模式。