面向建筑施工安全的增强大语言模型智能信息检索和问答系统

苏义坤; 刘均昊; 郑志哲; 王兴; 杨晓庄

doi:10.12404/j.issn.1671-1815.2505554

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (15) :6659-6670 DOI: 10.12404/j.issn.1671-1815.2505554

环境科学、安全科学

面向建筑施工安全的增强大语言模型智能信息检索和问答系统

苏义坤 ¹ ,
刘均昊 ¹ ,
郑志哲 ²^,^* ,
王兴 ¹ ,
杨晓庄 ²

作者信息 +

Enhanced Large Language Model-based Intelligent Information Retrieval and Question-answering System for Construction Safety

Author information +

文章历史 +

摘要

建筑施工安全标准因其非结构化特性难以满足现代建筑施工安全管理需求。大语言模型(large language model,LLM)具备强大的自然语言处理能力,但在专业领域的“幻觉”问题制约其在建筑施工安全场景中的应用。将图检索增强生成(GraphRAG)技术与LLM结合,构建面向建筑施工安全的增强大语言模型智能信息检索与问答系统。首先构建了建筑施工安全标准知识图谱,实现了标准文本的结构化表达,并基于深度学习方法对提问语句进行命名实体识别与匹配,实现对用户提问的实体级语义理解与知识定位。通过提示工程与LLM交互,有效提升模型回答准确性。最后系统试运行验证了其在多种建筑施工场景中的有效性。研究结果表明,该系统有助于提高建筑施工安全管理信息化水平,推动建筑施工安全标准知识的智能化应用。

Abstract

Owing to their unstructured format, construction safety standards struggle to meet the demands of modern construction safety management. Although large language models (LLMs) possess strong natural language processing capabilities, their use in specialized fields such as construction safety is hindered by the problem of “hallucination”. Combining graph retrieval-augmented generation (GraphRAG) with LLMs, an intelligent information retrieval and question answering system based on the augmented large language model for construction safety was constructed. A knowledge graph of construction safety standards was first built to achieve a structured representation of standard texts. Subsequently, a deep learning-based approach was leveraged to conduct named entity recognition and matching of query statements, facilitating entity-level semantic comprehension and knowledge localization. By integrating prompt engineering with LLM interaction, the accuracy of model responses was effectively improved. Trial runs of the system confirm its effectiveness across diverse construction scenarios. The findings suggest that this system contributes to elevating the informatization of construction safety management and advances the intelligent utilization of construction safety standard knowledge.

Graphical abstract

关键词

建筑施工安全 / 大语言模型 / 标准 / 标准数字化 / 图检索增强生成技术

Key words

construction safety / large language model / standard / digitization of standards / GraphRAG

引用本文

引用格式 ▾

苏义坤, 刘均昊, 郑志哲, 王兴, 杨晓庄. 面向建筑施工安全的增强大语言模型智能信息检索和问答系统[J]. 科学技术与工程, 2026, 26(15): 6659-6670 DOI:10.12404/j.issn.1671-1815.2505554

SU Yi-kun, LIU Jun-hao, ZHENG Zhi-zhe, WANG Xing, YANG Xiao-zhuang. Enhanced Large Language Model-based Intelligent Information Retrieval and Question-answering System for Construction Safety[J]. Science Technology and Engineering, 2026, 26(15): 6659-6670 DOI:10.12404/j.issn.1671-1815.2505554

登录浏览全文

4963

注册一个新账户忘记密码

作为国民经济的支柱产业,建筑业的快速发展不仅推动了经济增长,也为人民的住房、出行、医疗等各方面提供了重要保障^[1] 然而与规模扩张相伴的是难以忽视的安全挑战^[2]。建筑业具有复杂的生产特性:露天高空作业密集、劳动强度大、人员流动性强、工序交叉复杂、施工周期长,加之作业环境多变,这些因素共同构成了高风险的生产场景。有报告称,大约20%的工伤相关死亡发生在建筑工地;在香港,2013—2019年,与其他14个第一产业相比,建筑业的死亡率始终居于第一位^[3]。中国建筑业的安全形势尤为严峻,呈现“双高特征”:高速增长与高风险并存。使建筑业成为仅次于交通业和采矿业的“第三大高危行业”。随着技术的进步,建筑项目在工作分解结构和施工技术方面变得越来越复杂,施工过程变得更加不确定和动态,使建筑行业比以往任何时候都更加危险^[4]。

在建筑施工过程中,安全知识的来源主要是积累的各类规范和标准^[5]。目前建筑施工安全标准的制定及服务仍处于较为基础的信息检索或PDF(portable document format)浏览阶段,规范和标准更多以非结构化数据形式进行存储和使用^[6-7],这导致在实际工作过程中,存在于这些规范和标准中的安全知识无法被准确、及时地获取。作为施工现场安全管理的基础,建筑施工安全标准尚未完全数字化,在使用时需要建筑施工现场人员进行广泛的筛选和查询,降低人员工作效率^[8]。

随着信息技术的发展,大语言模型(large language model, LLM)技术为建筑施工安全标准的应用提供了新的方法与前景。然而,LLM在建筑施工安全领域的应用仍存在挑战,这源于大语言模型的“幻觉”问题,即生成内容与可验证的现实世界事实不一致或与用户指令或上下文不一致,尤其是在特定专业领域的应用中^[9]。为解决这一问题,检索增强生成(retrieval-augmented generation, RAG)成为一种具有前景的方法。RAG集成外部专家知识库,可增强特定领域的推理能力^[10]。但是,当前RAG方法依赖通用领域向量表示和相似性搜索,无法捕捉建筑施工安全领域至关重要的细微语义的实体级知识^[9]。为应对这一挑战,图检索增强生成(graph retrieval-augmented generation, GraphRAG)被提出,将知识图谱融入大语言模型的推理过程中,有效补充了LLM的隐式推理能力^[11]。

因此,现将图检索增强生成技术GraphRAG与大语言模型相结合,构建面向建筑施工安全的增强大语言模型智能信息检索和问答系统,实现建筑施工安全标准知识的数字化转型,促进建筑施工安全标准知识的传播,提高建筑施工安全水平。

1 相关研究

1.1 大语言模型在建筑施工领域的应用

语言模型(language model,LM)被定义为一种用于建模自然语言的概率模型,其根据前一个标记的概率分布来预测序列中的下一个标记,其主干为深度神经网络模型^[9]。早期模型如循环神经网络和长短期记忆网络在捕捉长期依赖关系和实现并行计算等方面面临挑战^[12]。为此,Transformer模型通过引入注意力机制用以解决这些问题,以更加有效的方式对输入文本进行上下文表示^[13]。这一创新为双向变换器模型(bidirectional encoder representation from transformers,BERT)和生成预训练转换器等先进模型提供了重要基础,允许它们利用大规模预训练来开发模型,使得机器可以更好地理解自然语言。大语言模型就此诞生,即通过大量文本数据训练的深度学习模型。

LLM具有先进的语言理解能力和处理各种自然语言处理任务的能力,如智能问答、文本摘要等,成为处理复杂知识的强大工具^[14-16]。LLM可以在海量的文本数据集上进行训练,使得它们可以回答广泛的查询任务,无需费力收集和注释特定领域数据^[17]。在建筑领域,研究人员通过大语言模型技术为许多问题的解决提供了方案。例如,Zheng等^[18]通过将文本转化为结构化查询语言(structured query language,SQL),利用LLM从建筑信息模型(building information modeling,BIM)中查询信息,为项目管理提供建议。Lin^[19]利用LLM技术为建筑施工项目的现场管理人员开发了一个聊天机器人,帮助他们更好地对施工现场进行管理。Wu等^[20]构建了一个用于施工管理的增强信息驱动的信息检索与问答系统,以从项目文档中检索准确信息。在建筑施工安全领域,张朋杨等^[21]和Smetana等^[22]等利用LLM在安全法规中检索信息,总结事故报告,分析建筑工伤的原因。董磊等^[23]提出一种基于多模态大语言模型的多模态知识图谱构建方法,为建筑施工现场的安全管理决策和智能推理提供了重要支持。

1.2 RAG与GraphRAG技术

LLM的“幻觉”是由于LLM的训练语料库中缺少专门的领域知识引起的^[9,24]。为解决这一问题,增强检索生成技术被提出,其将文本数据转化为向量表示,并将其作为外部知识库进行存储,以进行基于相似性的高效检索^[9]。RAG通过测量查询语句与知识库中已有片段的语义相似性,查询知识库中的信息,然后LLM负责将检索到的片段生成回答语句^[25]。RAG通过压缩LLM处理的信息,提高了查询语句与知识库之间的匹配度,并且对答案范围进行了限制,从而减轻了LLM的“幻觉”问题,并提高了答案质量^[9,20]。并且,RAG提高了大语言模型解决特定领域方向问题的性能,同时降低了预训练的成本。

然而,当前RAG的方法具有局限性。RAG技术依赖于简单的文本分割,这种方法失去了文档的潜在层次结构,可能混淆检索过程^[20,26]。简单的文本分割过程导致搜索过程中过度依赖文本语义,而忽略了逻辑结构等关键特征^[20]。GraphRAG技术作为新的解决方式,将知识图谱无缝集成到LLM的推理过程中。GraphRAG通过检索知识图谱中丰富的结构化信息,增强LLM的响应,有助于更加精确、全面地检索相关知识^[9]。

现有研究已经注意到可以将大语言模型应用到建筑施工安全领域,并试图减少事故的发生。然而,面向建筑施工安全标准知识的大语言模型的研究依然匮乏。建筑施工安全事关建筑从业人员的生命健康,LLM因“幻觉”问题出现的错误是难以被接受的。相关标准、规范强调了保证建筑施工安全的最佳秩序和施工规则。相较于事故报告,标准、规范文本可以提供更加通用和全面的安全知识^[5]。因此,将大语言模型与GraphRAG技术相结合,以期构建面向建筑施工安全的增强大语言模型智能信息检索和问答系统,提升建筑从业人员安全知识水平,减少安全事故的发生。

2 研究数据与方法

本文研究的技术路线图如图1所示。面向建筑施工安全的增强大语言模型智能信息检索和问答系统的研究由三部分组成。第一部分为建筑施工安全标准知识图谱构建阶段,对建筑施工安全标准进行收集与筛选,以获得标准的建筑施工安全知识。使用相关的信息处理技术对获得的标准信息进行结构化表达,最终构建出建筑施工安全标准知识图谱。第二部分为信息检索与问答系统构建。对用户输入问题语句进行处理,并与知识图谱数据进行匹配。知识图谱知识与提问语句组成提示语句,输入大语言模型,最终得到回复。最后对系统进行可视化,实现对建筑施工安全标准知识检索与问答功能。第三部分为面向建筑施工安全的增强大语言模型智能信息检索和问答系统的测试与试运行,为信息检索与问答系统的应用提供三个典型场景,用以测试系统功能。

2.1 数据收集

以建筑施工安全标准知识为研究对象,相关知识来源于住房和城乡建设部和国务院发布及主管的相关标准、规范和条例。通过全国标准信息公共服务平台、中华人民共和国住房和城乡建设部网站和工程建设标准化信息网进行收集,收集结果如表1所示。虽然相关标准、规范和条例是公开披露和可获取的,但文件通常是以PDF格式文件提供,因此使用光学字符识别(optical character recognition,OCR)技术进行内容提取,并使用TXT文本进行存储。

2.2 建筑施工安全标准知识图谱构建

知识图谱包含描述具体事实的节点层和表达抽象知识的本体层^[27]。按照顺序的不同,知识图谱的构建可采用由本体层到节点层、由节点层到本体层两种方法^[28-29]。本文中采用由本体层到节点层的方式构建知识图谱。构建流程包括知识筛选,本体层构建、节点识别、关系抽取、属性补全,本体层与节点层融合,最终形成建筑施工安全标准知识图谱。建筑施工安全标准知识图谱构建流程如图2所示。

知识图谱常用的知识储存方式有属性图、RDF图模型和OWL本体语言三种。其中属性图的表达能力与推理能力适中,表达方式灵活,查询计算方便。因此本研究选取属性图为知识存储方式,采用Neo4j(数据库版本:5.7.0)进行数据保存。Neo4j是一款具备高性能特性的开源图数据库,以其卓越的性能和广泛的应用领域而备受认可^[30]。

本体层用于表达抽象知识,概念是特定领域中一类节点的抽象,每一个节点可能具有不同的属性特征。本项目使用基于框架的方式进行知识图谱创建,使用E-R图(entity relationship diagram)对概念、关系和属性进行表示,如图3所示。

考虑到深度学习技术和自然语言处理技术的准确性,以及保证知识提取的正确性,采用人工与自然语言处理技术相结合的方式进行建筑施工安全标准知识要素的抽取。自然语言处理工具采用百度AI开放平台。经提取后的节点、关系和属性使用JSON文件作为中间文件进行储存。使用python的第三方库py2neo将JSON文件中的数据写入neo4j图数据库。节点层与本体层的融合是建筑施工安全标准知识图谱构建的最后阶段,可间接证明节点层知识节点的有效性。关联后的数据储存于neo4j图数据库中。

建筑施工安全标准知识图谱本体层构建和关系模式设计、标准知识要素识别与抽取、节点层与本体层融合更加详细的步骤可详见《面向建筑施工安全的标准知识支持研究》^[5]。《面向建筑施工安全的标准知识支持研究》首次构建了面向建筑施工安全标准的知识图谱,并提出了三个建筑施工安全标准知识分析指标。最终形成的建筑施工安全标准知识图谱如图4所示。

2.3 面向建筑施工安全的增强大语言模型智能信息检索和问答系统构建

为促进建筑施工安全标准知识查询精度和实体级别的知识标识,提出了面向建筑施工安全的增强大语言模型智能信息检索和问答系统,运用GraphRAG技术将建筑施工安全知识图谱与大语言模型有机结合,提升建筑从业人员的安全知识水平。如图5所示,系统包含三个主要阶段:建筑施工安全知识检索、知识增强提示和系统可视化。算法1的详细过程如下。

2.3.1 建筑施工安全标准知识检索

建筑施工安全标准知识检索旨在对用户输入问题进行分析。映射与检索建筑施工安全标准知识图谱中的结构化安全知识。此阶段包含三个主要步骤:提问语句命名实体识别、本体映射、建筑施工安全标准知识图谱检索。

提问语句命名实体识别是对用户输入的语句进行命名实体识别,用以识别提问中的关键语义信息。目前实体识别方法包括基于人工和规则的方法^[31]、基于机器学习的方法^[32]、基于深度学习的方法^[33]。通过人工的方法进行实体识别需要领域专家的广泛参与^[34],无法满足本研究信息检索和问答系统自动化的需要。基于规则的方法尽管精确,但是缺乏灵活性和自动化,使其难以适用动态变化的提问内容^[35]。传统机器学习的方法难以捕捉上下文特征,并且在处理复杂语义关联时其准确性受到限制^[8]。因此使用基于深度学习的命名实体识别方法,命名实体识别处理工具采用百度AI开放平台。提问语句命名实体识别输出内容包括语句实体、实体多级概念,模型输出结构如图6所示。其中,“entity”为识别出的实体,“category”为实体概念,给出level_1、level_2和level_3三个可能的实体概念。

从提问语句中提取出实体及其概念后,通过语义相似性搜索映射到建筑施工安全标准知识图谱中相关实体和概念。使用word2vec方法进行语义相似性检验。数据集采用Chinese Word Vectors中文词向量数据集,该数据集由中国人民大学和北京师范大学学者开发,数据集提供超过100种中文词向量,具有多种表示方式和上下文特征^[36]。计算提问语句中提取的实体及其概念与建筑施工安全标准知识图谱中的实体和概念的语义相似性分数,用以获得最佳匹配项。word2vec通过计算两个词的余弦相似度来衡量相似性,其计算公式为

(1)Similarity(w₁,w₂)=cosθ=$\frac{{\mathit{v}}_{1}{\mathit{v}}_{2}}{‖{\mathit{v}}_{1}‖‖{\mathit{v}}_{2}‖}$

式(1)中:Similarity(w₁,w₂)为词w₁和w₂的余弦相似度;v₁、v₂为词w₁、w₂的词向量;‖v₁‖、‖v₂‖为向量的模。余弦相似度越接近1,两个词的相似性越高。

计算提问语句中实体和概念与知识图谱中已有实体和概念的相似度,相似度最高的即为被匹配到的对象。将经过映射匹配的实体及概念作为查询数据,通过python的py2neo库对建筑施工安全标准知识图谱中的实体进行检索。检索过程包含两个关键步骤:实体检索和实体间关系检索。在实体检索中,系统通过执行py2neo的实体查询函数以检索提问语句中识别的实体及实体中的属性值。实体间关系查询为检索可能存在于提问语句中实体间可能存在的关系,以及图谱中实体已存在的实体关系。将检索到的实体和关系进行合并,形成建筑施工安全标准结构化知识。

2.3.2 知识增强提示

对用户提问语句与建筑施工安全标准知识图谱输出的结构化安全知识进行整合,组成提示语句,输入LLM用以进行增强大语言模型智能信息检索和问答。

LLM模型使用DeepSeek-V3-0324大语言模型,使用OpenAI SDK访问DeepSeek API获取模型使用。该LLM模型由深度求索(DeepSeek)公司研发,总参数为671B,采用了多头潜在注意力(MLA)和DeepSeekMoE架构,已被证明其性能优于已有开源模型,并与领先的闭源模型相当^[37]。

构建如图7所示的LLM提示模版,其旨在标准化信息检索和问答流程。关键组成部分为:用户提问语句、知识图谱中检索的建筑施工安全标准知识和任务提示词。指示LLM执行两项任务:建筑施工标准安全结构化知识总结和提问反馈。使用模版的方式构建LLM提示,可以确保系统对建筑施工安全标准知识进行可解释性反馈,提高LLM在回应用户提问时的可靠性^[9]。

2.3.3 系统可视化

面向建筑施工安全的增强大语言模型智能信息检索和问答系统的可视化可以将复杂实体关系与推理路径清晰呈现,用户无需源码即可直观理解答案的生成依据,从而增强对系统准确性的信任^[12,20]。如图8所示,信息检索和问答系统的可视化内容包含两个部分:用户提问语句、LLM生成内容展示。

3 面向建筑施工安全的增强大语言模型智能信息检索和问答系统试运行

应对面向建筑施工安全的增强大语言模型智能信息检索和问答系统运行过程进行展示,并对系统进行测试,以保证其功能性。试运行测试根据演绎推理方法进行设计,试运行流程如图9所示。

3.1 信息检索与问答系统运行演示

通过模拟用户提问展示信息检索和问答系统运行流程。以问题“深基坑工程的定义是什么?”为例。

3.1.1 建筑施工安全标准知识检索

将用户提问语句输入系统。首先对其进行命名实体识别。命名实体识别结果为:[{“entity”:“深基坑工程”,“category”:{“level_1”:“工程”,“level_2”:“术语”}},{“entity”:“定义”,“category”:{“level_1”:“信息资料”,“level_2”:“信息”,“level_3”:“定义”}}]。共识别出两个实体:“深基坑工程”和“术语”。其中,实体“深基坑工程”有两个概念:“工程”“术语”,实体“定义”有三个概念:“信息资料”“信息”“定义”。

对提问语句中识别到的实体及其对应概念与建筑施工安全标准知识图谱中的实体和概念进行相似性匹配。最终识别出实体“深基坑工程”,其在知识图谱中的对应概念为“分项工程”。

使用python的py2neo库在建筑施工安全标准知识图谱中进行实体检索,查询实体“深基坑工程”的实体及属性信息。进行实体间关系查询,查询实体存在的关系信息。在知识图谱中检索到的实体及关系信息如图10所示。

3.1.2 知识增强提示

依据2.3节的LLM提示模版,构建针对问题语句的LLM提示语句。将提示语句输入DeepSeek-V3-0324大语言模型,并对结果进行可视化,最终系统输出结果如图11所示。

3.2 信息检索与问答系统应用典型场景测试

构建三个面向建筑施工安全的增强大语言模型智能信息检索和问答系统的典型应用场景,以进一步测试系统功能性。

3.2.1 建筑施工安全标准智能查询

项目管理人员在施工过程中,需要查询具体标准用以进一步核实现场工作是否满足相关规定。然而,以往传统的关键词查询方法存在一定的局限性。这些方法通过模糊匹配的方式进行信息检索,容易受到词义歧义、专业术语不统一等因素的影响,导致查询结果不够精准或覆盖面不足,进而降低了现场问题识别与应对效率。以问题“深基坑工程需要遵循哪些标准规范文件?”为例。将问题输入智能信息检索和问答系统,结果如图12所示。

3.2.2 安全技术交底智能问答

安全技术交底是建筑施工安全管理过程中的关键环节,其主要目的是将工程项目中涉及的安全风险、防护要求和操作规范,通过制度化的形式传达给施工人员,从而预防安全事故的发生,保障施工现场人员的人身安全。以问题“深基坑工程有哪些危险源?”为例,输入智能信息检索和问答系统,结果如图13所示。

3.2.3 安全管理智能检索与合规性问答

在建筑施工过程中,某些工程因其高风险性与技术复杂性,受到严格的安全监管与文件审查要求。传统的人工查阅规范与政策文件方式效率低、易出错,难以满足施工前期快速合规准备的需求。以问题“防水工应配备哪些劳动防护用品?”为例,输入智能信息检索和问答系统,结果如图14所示。

综上所述,面向建筑施工安全的增强大语言模型智能信息检索与问答系统在标准查询、技术交底、合规性管理等典型场景中展现出显著优势。系统通过对自然语言问题的深度理解与专业知识的精准调取,有效突破了传统关键词检索方式的局限性,提升了信息获取的效率与准确性,助力施工管理人员更高效地完成安全管理任务,促进施工现场的规范化与安全化建设。

3.3 信息检索与问答系统性能测试

为验证所构建的面向建筑施工安全的增强大语言模型智能信息检索和问答系统在专业场景下的有效性,本研究基于建筑施工安全标准知识设计了100道包含3个选项的单选测试题,覆盖术语定义、安全操作规程、防护用品配备、风险控制措施及法规引用等核心知识领域。测试采用对照实验方式进行,分别评估基础大语言模型直接作答能力和通过GraphRAG增强后系统回答能力。实验结果如表2所示。

使用开源模型Hunyuan-MT-7B直接回答测试题,模型仅依赖其内部参数知识,不进行外部检索。实验结果显示,该模型共答对93道题目,正确率为93%。错误主要集中在对专业术语与工程概念解释不准确和出现“幻觉式回答”,自行推断不存在的内容。典型错误案例如表3所示。

面向建筑施工安全的增强大语言模型智能信息检索和问答系统通过将GraphRAG技术引入Hunyuan-MT-7B模型,实现问题的正确回答。系统对题目中的实体进行识别,识别结果为“岛式开挖”。将实体输入建筑施工安全标准知识图谱,用以检索相关信息。检索到的信息为:“‘术语内容’: ‘先开挖基坑周边土方,最后挖去中心土墩的开挖方式。施工中可以利用中心土墩作临时结构的支点。’”该项知识为岛式开挖的具体定义,源于建筑施工安全标准《建筑深基坑工程施工安全技术规范》(JGJ 311—2013)。将信息输入提示模版,导入Hunyuan-MT-7B模型,进而实现问题的正确回答。

4 讨论

通过将建筑施工安全标准知识图谱与LLM结合,以GraphRAG为核心机制,显著提升了系统的可解释性。在建筑施工安全管理领域,系统可解释性是智能工具被一线管理人员广泛采纳的关键因素。尽管传统基于LLM的问答系统可以提供自然语言输出,但由于缺乏清晰的推理路径与知识来源标注,常被视为“黑箱”模型,其可信度和实际应用价值被严重削弱^[12]。通过构建建筑施工安全标准知识图谱,以结构化形式呈现标准条款、工程术语与安全关系,使得系统能够准确定位问题所涉及的具体安全标准、文件或术语来源。另一方面,在用户提问被解析并完成图谱检索后,系统同步输出LLM回答内容与对应的图谱可视化结果,展示实体节点及其关联关系路径,清晰呈现出模型推理的知识支撑链路。这种基于图结构的信息反馈机制,可帮助用户对回答内容进行快速验证与进一步挖掘,显著提升建筑施工现场信息化管理的科学性与透明度。

图检索增强生成机制为缓解LLM“幻觉”问题提供了有效路径。大语言模型依赖“参数内知识”进行生成,而不是动态访问外部知识库。这意味着模型在处理知识密集型任务时,容易产生与真实世界知识不符的错误^[20]。将知识图谱与大语言模型有机结合。通过提示工程与LLM交互,有效提升模型回答准确性、可解释性与专业性。在建筑施工安全领域,建筑安全规范文本逻辑严谨、术语高度标准化,传统RAG技术往往难以捕捉标准间层级关系与实体间隐含约束^[20]。GraphRAG技术通过引入知识图谱技术,实现对文本知识结构与上下文语义的联合建模,弥补了RAG在知识层次理解与语义推理方面的不足^[11]。应用GraphRAG构建的智能信息检索与问答系统不仅增强了对提问内容的语义分解与知识定位能力,还使系统具备了实体级别的推理能力,能够对“需要哪些文件”“应遵守哪些标准”等类问题提供具体、准确、可溯源的回答。

构建的面向建筑施工安全的增强大语言模型智能信息检索与问答系统,在实验场景中的高效表现表明其具备良好的实际应用前景。在高风险工程,如深基坑、高支模作业中,系统可作为现场安全技术交底、文件合规审查和风险源识别等核心环节的有力支撑工具。系统使用开源工具,具备本地部署能力,具有低成本实现与数据安全保障的技术条件,便于在施工单位、监理单位和主管部门间广泛推广与协同使用。

5 结论

(1)基于大语言模型(LLM)与图检索增强生成技术(GraphRAG),构建了面向建筑施工安全的增强智能信息检索与问答系统,探索了标准知识数字化支持的新路径。

(2)将知识图谱与LLM相结合,能够显著缓解LLM在专业领域中“幻觉”问题带来的风险,提升系统在高安全要求场景中的适用性。GraphRAG通过实体级推理增强了大语言模型的知识理解能力,系统输出可视化展示进一步提升了用户的信任度和操作便捷性。该系统具备本地部署能力与低成本实现路径,为建筑企业、监管机构以及施工现场的信息化安全管理提供了切实可行的智能化工具。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	丁明智, 白永兰. 中国建筑业安全生产水平测度与评价[J]. 安全与环境学报, 2024, 24(5): 1740-1748.

[2]	Ding Mingzhi, Bai Yonglan. Measurement and evaluation of work safety level in China’s construction industry[J]. Journal of Safety and Environment, 2024, 24(5): 1740-1748.

[3]	常春光, 凌霄雪. 基于麻雀搜索算法优化支持向量回归的装配式建筑施工安全投入优化[J]. 科学技术与工程, 2023, 23(35): 15328-15334.

[4]	Chang Chunguang, Ling Xiaoxue. Optimization of safety investment in prefabricated building construction based on sparrow search algorithm optimized support vector regression[J]. Science Technology and Engineering, 2023, 23(35): 15328-15334.

[5]	Chan C F, Wong P K Y, Guo X, et al. Context-aware vision-language model agent enriched with domain-specific ontology for construction site safety monitoring[J]. Automation in Construction, 2025, 177: 106305.

[6]	Hu Z, Li S, He C, et al. Literature review on construction safety resilience: a bibliometric analysis for mapping the state-of-the-art[J]. Safety and Health at Work, 2025, 16(3): 259-267.

[7]	刘均昊, 苏义坤, 张智博, 等. 面向建筑施工安全的标准知识支持研究[J]. 中国安全生产科学技术, 2024, 20(7): 156-162.

[8]	Liu Junhao, Su Yikun, Zhang Zhibo, et al. Research on standards knowledge support for construction safety[J]. Journal of Safety Science and Technology, 2024, 20(7): 156-162.

[9]	刘曦泽, 王益谊, 杜晓燕, 等. 标准数字化发展现状及趋势研究[J]. 中国工程科学, 2021, 23(6): 147-154.

[10]	Liu Xize, Wang Yiyi, Du Xiaoyan, et al. Development status and trend of standards digitization[J]. Strategic Study of CAE, 2021, 23(6): 147-154.

[11]	杨跃翔, 涂新雨, 刘文玲. 标准文献知识图谱构建与应用研究[J]. 数字图书馆论坛, 2022(6): 22-30.

[12]	Yang Yuexiang, Tu Xinyu, Liu Wenling. Research on the construction and application of standard documents knowledge graph[J]. Digital Library Forum, 2022(6): 22-30.

[13]	Chen Y, Lu G, Wang K, et al. Knowledge graph for safety management standards of water conservancy construction engineering[J]. Automation in Construction, 2024, 168: 105873.

[14]	Zheng C, Wong S, Su X, et al. Automating construction contract review using knowledge graph-enhanced large language models[J]. Automation in Construction, 2025, 175: 106179.

[15]	Amugnogo L M, Mascheroni P, Brooks S, et al. Retrieval augmented generation for large language models in healthcare: a systematic review[J]. PLoS Digital Health, 2025, 4(6): e0000877.

[16]	Jeon K, Lee G. Hybrid large language model approach for prompt and sensitive defect management: a comparative analysis of hybrid, non-hybrid, and GraphRAG approaches[J]. Advanced Engineering Informatics, 2025, 64: 103076.

[17]	Zhu Z, Huang T, Wang K, et al. Graph-based approaches and functionalities in retrieval-augmented generation: a comprehensive survey[J/OL]. (2025-04-08)[2025-12-16]. https://dl.acm.org/doi/10.1145/3795880.

[18]	Su Y, Shi L, Zhou K, et al. Knowledge-informed deep networks for robust fault diagnosis of rolling bearings[J]. Reliability Engineering & System Safety, 2024, 244: 109863.

[19]	Tang L, Sun Z, Idnay B, et al. Evaluating large language models on medical evidence summarization[J]. npj Digital Medicine, 2023, 6(1): 158.

[20]	Shau Z, Yu Z, Wang M, et al. Prompting large language models with answer heuristics for knowledge-based visual question answering[C]// 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). New York: IEEE, 2023: 14974-14983.

[21]	齐立忠, 荣经国, 张苏, 等. 大语言模型支持的输变电工程BIM三维设计专家系统[J]. 电力建设, 2025, 46(11): 47-57.

[22]	Qi Lizhong, Rong Jingguo, Zhang Su, et al. Expert system for BIM 3D design in power transmission and transformation engineering supported by large language model[J]. Electric Power Construction, 2025, 46(11): 47-57.

[23]	Ouyang L, Wu J, Jiang X, et al. Training language models to follow instructions with human feedback[J]. Advances in Neural Information Processing Systems, 2022, 35: 27730-27744.

[24]	Zheng J, Fischer M. Dynamic prompt-based virtual assistant framework for BIM information search[J]. Automation in Construction, 2023, 155: 105067.

[25]	Lin W Y. Prototyping a chatbot for site managers using building information modeling (BIM) and natural language understanding (NLU) techniques[J]. Sensors, 2023, 23(6): 2942.

[26]	Wu C, Ding W, Jin Q, et al. Retrieval augmented generation-driven information retrieval and question answering in construction management[J]. Advanced Engineering Informatics, 2025, 65: 103158.

[27]	张朋杨, 生龙, 王巍, 等. 基于大语言模型的矿山事故知识图谱构建[J]. 工矿自动化, 2025, 51(2): 76-83, 105.

[28]	Zhang Pengyang, Sheng Long, Wang Wei, et al. Construction of a mine accident knowledge graph based on large language models[J]. Journal of Mine Automation, 2025, 51(2): 76-83, 105.

[29]	Smetana M, Salles D E, Sukharev I, et al. Highway construction safety analysis using large language models[J]. Applied Sciences, 2024, 14(4): 1352.

[30]	董磊, 吴福居, 史健勇, 等. 基于大语言模型的施工安全多模态知识图谱的构建与应用[J]. 计算机工程与应用, 2025, 61(9): 325-333.

[31]	Dong Lei, Wu Fuju, Shi Jianyong, et al. Construction and application of multimodal knowledge graph in construction safety field based on large language model[J]. Computer Engineering and Applications, 2025, 61(9): 325-333.

[32]	Liu P, Qian L, Zhao X, et al. Joint knowledge graph and large language model for fault diagnosis and its application in aviation assembly[J]. IEEE Transactions on Industrial Informatics, 2024, 20(6): 8160-8169.

[33]	Chang T A, Bergen B K. Language model behavior: a comprehensive survey[J]. Computational Linguistics, 2024, 50(1): 293-350.

[34]	Arslan M, Mahdjoubi L, Munawar S. Driving sustainable energy transitions with a multi-source RAG-LLM system[J]. Energy and Buildings, 2024, 324: 114827.

[35]	徐春, 苏明钰, 孙彬. 基于ChatGLM和提示微调的旅游知识图谱构建[J]. 科学技术与工程, 2024, 24(31): 13484-13492.

[36]	Xu Chun, Su Mingyu, Sun Bin. Tourism knowledge graph construction based on ChatGLM and prompt-tuning[J]. Science Technology and Engineering, 2024, 24(31): 13484-13492.

[37]	Peng C, Xia F, Naseriparsa M, et al. Knowledge graphs: opportunities and challenges[J]. Artificial Intelligence Review, 2023, 56: 13071-13102.

[38]	Dang L D, Phan U T P, Nguyen N T H. GENA: a knowledge graph for nutrition and mental health[J]. Journal of Biomedical Informatics, 2023, 145: 104460.

[39]	张湛湧, 魏昊天, 董绍华. 复杂燃气管网事故演化知识图谱风险预警分析[J]. 科学技术与工程, 2025, 25(31): 13651-13659.

[40]	Zhang Zhanyong, Wei Haotian, Dong Shaohua. Risk early warning analysis of knowledge graph of accident evolution of complex gas pipeline network[J]. Science Technology and Engineering, 2025, 25(31): 13651-13659.

[41]	秦丽, 郝志刚, 李国亮. 国家食品安全标准图谱的构建及关联性分析[J]. 计算机应用, 2021, 41(4): 1005-1011.

[42]	Qin Li, Hao Zhigang, Li Guoliang. Construction and correlation analysis of national food safety standard graph[J]. Journal of Computer Applications, 2021, 41(4): 1005-1011.

[43]	Wu Z, Ma G. NLP-based approach for automated safety requirements information retrieval from project documents[J]. Expert Systems with Applications, 2024, 239: 122401.

[44]	史慧洋, 魏靖烜, 蔡兴业, 等. 威胁情报提取与知识图谱构建技术研究[J]. 西安电子科技大学学报, 2023, 50(4): 65-75.

[45]	Shi Huiyang, Wei Jingxuan, Cai Xingye, et al. Research on threat intelligence extraction and knowledge graph construction technology[J]. Journal of Xidian University, 2023, 50(4): 65-75.

[46]	Wu W, Wen C, Yuan Q, et al. Construction and application of knowledge graph for construction accidents based on deep learning[J]. Engineering, Construction and Architectural Management, 2023, 32(2): 1097-1121.

[47]	Wang H, Xu S, Cui D, et al. Information integration of regulation texts and tables for automated construction safety knowledge mapping[J]. Journal of Construction Engineering and Management, 2024, 150(5): 1-14.

[48]	Li S, Zhao Z, Hu R, et al. Analogical reasoning on chinese morphological and semantic relations[C]// Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics. Melbourne: Association for Computational Linguistics, 2018: 138-143.

[49]	钱凤丹, 贾婷婷, 张蝶, 等. DeepSeek-V3-0324大模型在药学门诊用药教育中的应用初探[J]. 中国药房, 2025, 36(17): 2192-2196.

[50]	Qian Fengdan, Jia Tingting, Zhang Dei, et al. Preliminary exploration of the application of the DeepSeek-V3-0324 large-scale model in medication education in pharmaceutical outpatient clinics[J]. China Pharmacy, 2025, 36(17): 2192-2196.

基金资助

国家重点研发计划(2021YFF0602002)

交通运输部重点科技项目(2019-ZD5-028)

PDF (15916KB)

访问

被引

详细

导航

Received	Published	Revised
2025-07-28	2026-05-28	2025-12-16
Online Date
2026-08-07

摘要