将非结构化法律文本自动转化为可推理的形式化本体，是知识工程领域的长期挑战。寿险合同为此提供了一个理想的试验场——条款中交织着实体（投保人、受益人）、事件（身故、理赔）、财务约束（保额、保费）和时间条件（除外期），且大量信息隐含于复杂条款中，难以直接提取。
一篇典型条款写道：“受益人有权在投保人身故时获得50,000美元一次性给付。”形式化表示需建模支付事件、受益人角色、触发事件（身故）及金额与货币约束，并支持后续推理，例如回答能力问题（CQ）：“受益人身故时可获多少给付？”
本研究通过受控实验，对比两种LLM驱动路径的优劣。基线方法采用单智能体直接生成本体，而多智能体方法则分解为四个专门角色：领域专家（提取语义需求文档）、经理（制定技术实现计划，明确本体设计模式）、编码员（生成具体代码）和质量保证员（进行架构审查与语法/语义校验）。整个流程以CQ为功能需求驱动，并通过自动生成SPARQL查询和基于检索增强生成（RAG）的语义检索来评估本体的可查询性与知识覆盖。（原文下载，请扫码加入知识库）
实验采用两份公开的20年期定期寿险合同（Equivita与Sentinel），后者附加了“加速身故给付”条款，增加嵌套条件。每份合同生成约150条CQ。结果显示：
-
架构质量：多智能体方法在可扩展性、本体设计模式遵从度方面显著优于基线，总体评分（3.33 vs 1.33，Equivita）提升一倍以上，主要归功于前端规划（经理的TIP）而非后续纠错。
-
功能覆盖率：在SPARQL评测中，多智能体方法在复杂合同（Sentinel）上表现更好（43.8% vs 40.3%），但整体分数偏低，部分源于预期答案（如“保单”）与查询返回的具体实例URI之间的表示失配。而RAG评估（更宽容）下，多智能体覆盖率达0.71，基线仅0.60，证明其能更有效地捕获和连接知识。
-
失败模式：迭代修复循环常陷入“状态失忆”或“语法猜测”，导致文件膨胀或无限循环。这表明质量提升主要依赖前端规划，而非后处理修复。
本研究揭示：前端显式规划比下游修复更能驱动本体质量，中间产物（需求文档、实现计划）提供了可审计的透明化接口，适用于高风险法律领域。未来需解决冗余控制、自主调试效率低，以及将推理增强模型融入多智能体框架等问题。
该方法为从保险等复杂文档中自动化构建可查询、可推理的知识体系提供了有前景的路径，但离完全可靠仍有距离。
发布者：保险日报，转转请注明出处：https://www.insurdaily.com/archives/6344.html
微信扫一扫 
