经逻辑增强生成与主动推理的隐性知识抽取

隐性知识在人类专长中居核心地位，但难以捕捉、形式化并以机器可解释形式复用。该挑战在程序性领域尤甚：成功执行不仅依赖显式指令，还依赖很少被记录的隐含假设、上下文约束、具身技能与经验判断。因此当前知识工程流水线难以把隐性与过程性知识转化为可查询、可验证、可推理、可复用的形式化机器可解释表示。本文引入一个神经符号框架：结合逻辑增强生成与受主动推理启发的方法，构建本体接地的知识图谱。我们在制造业知识转移案例研究中评估该方法，以教学视频中的装配式维修流程作为可复现代理域。结果显示所提方案提升完整性与语义质量，推进面向工业领域的神经符号知识工程。