计算机工程与应用

作者：赵学东, 林民, 唐邦洋, 董杰, 白胡日查

单位：1.内蒙古师范大学 计算机科学技术学院，呼和浩特 010022；2.内蒙古电子信息职业技术学院，呼和浩特 010070；3.内蒙古自治区科技文化遗产认知智能重点实验室，呼和浩特 010022；4.内蒙古师范大学 科学技术史研究院，呼和浩特 010022；

关键词：大语言模型,领域知识图谱,检索增强生成,智能体,数学古籍,《九章算术》

基金：国家自然科学基金（62266033）；内蒙古自治区英才兴蒙团队项目（2025TEZ01）；内蒙古自治区高等学校创新团队发展计划支持资助项目（NMGIRT2407）。

通用大语言模型（large language model，LLM）在数学古籍领域常因专业术语识别不准确、上下文关系理解偏差、知识推理不全和计算过程错误而产生严重的幻觉（hallucination）问题，包括事实性幻觉、忠实性幻觉和逻辑性幻觉。检索增强生成（retrieval-augmented generation，RAG）技术引入外部领域文本，目前是缓解大语言模型领域事实性幻觉的一种有效方法。然而RAG的检索内容存在噪声，且知识片段之间缺乏深层关联，使得RAG在缓解忠实性幻觉和逻辑性幻觉方面的能力较为有限。领域知识图谱（domain knowledge graph，DKG）具有将领域知识关联起来的能力，为此提出了DKG和RAG协同知识增强框架（collaborative knowledge augmentation between domain knowledge graph and retrieval-augmented generation，CogKAG），并构建数学古籍《九章算术》领域智能体。CogKAG框架智能体旨在通过检索DKG的结构化领域关联知识和利用RAG检索非结构化领域文本构建动态结构化综合上下文提示，增强LLM的上下文关系及逻辑推理计算能力，从而有效缓解其在数学古籍领域中的忠实性、逻辑性幻觉问题。实验结果证明，CogKAG框架智能体可以显著减轻LLM在数学古籍领域上的幻觉，从而提升在问答（question and answer，QA）任务上的性能。

来源：2026年第4期

《计算机工程与应用》期刊编辑部

查看计算机工程与应用杂志2026年第4期