HEAR：以分層超圖本體強化企業級多跳推理與可審計智能
面對企業系統中大型語言模型的幻覺與多跳、n元推理失誤，HEAR提出分層超圖本體與證據驅動推理循環。其圖層管理來源並保存溯源，超邊層則以n元規則與程序化流程編碼商務邏輯。評估供應鏈問題時，HEAR在根因分析上最高達到94.7%準確率，並兼顧成本與審計可追溯性。
HEAR以分層超圖本體回應企業級推理挑戰
HEAR針對大型語言模型在企業異構系統中常見的幻覺與多跳、n元推理失靈，提出一套可審計的實務解法。核心在於以分層超圖本體把資料接口與業務規則結構化，實現有溯源的證據驅動推理。
系統分為兩層：基礎的圖層負責虛擬化資料接口並保留來源與溯源資訊，超邊層則以超邊結構編碼n元商業規則與程序化流程，涵蓋複雜的多方關係與順序操作。運行時，HEAR透過一個循環式的證據驅動推理流程，動態配置本體工具以完成結構化的多跳分析，且不需對大型語言模型進行再訓練。
在供應鏈相關任務上，包含訂單履行阻塞的根因分析（RCA），HEAR展現出高度準確性，部分評估達到94.7%的準確率。系統同時展示出適應式效率：透過程序化超邊降低token使用成本，並在複雜查詢時利用拓撲探索以確保分析嚴謹性。研究指出，此架構可在保有開放權重骨幹模型的條件下，匹配私有模型的表現並自動化原本需人工處理的診斷流程。
HEAR為企業智慧應用提供一條可擴展且可審計的路徑，特別適合需要多跳推理與明確溯源的業務場景。
延伸閱讀
- BEAVER：企業資料倉儲中 Text-to-SQL 的檢索與生成瓶頸
- 企業AI架構：以SLM與知識外部化取代單體式大型語言模型推理
- 提升 LLM 可靠性的系統化提示技巧：角色化、負向、JSON 輸出、ARQ 與多假設抽樣
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
