可追溯知识图谱推理支撑钢铁工业VOCs治理的LLM辅助决策

钢铁行业挥发性有机物（VOCs）治理的关键知识分散在非结构化科学文献中，难以整合工艺、污染物与治理技术证据，并增加了通用大语言模型（LLM）回答低频工业问题时的幻觉风险。我们开发了Chat-ISV，一个知识图谱（KG）增强的多智能体问答系统：它解析精选的钢铁行业VOCs文献语料，构建包含27180个节点和81779条语义边的Neo4j知识图谱，并组合了提示约束抽取、以文本块为中心的拓扑优化、多智能体路由、来源回溯检索、本地文献检索、开放域知识访问与交互式子图可视化。基准测试与400次专家盲评显示，拓扑优化将孤立节点比例从57%降至4.08%，且Chat-ISV达到较高的事实可靠性：精确率96.93%、召回率72.63%、F1分数0.830、平均得分1.69/2.00。通过将碎片化的环境工程文献转化为可追溯、可查询且面向决策支持的知识，Chat-ISV建立了一个可扩展的环境信息学范式，支持在专业工业领域可靠地部署LLM并进行智能化污染治理决策支持。