115 / 2025-06-26 22:15:27

基于大语言模型的多准则决策人机任务分配

人机协同；多准则决策；任务分配；大语言模型；检索增强生成

六、体系博弈与智能决策 > 6.基于人机共生的智能敏捷决策

在信息时代背景下，社会环境的复杂性和不确定性显著增加，多准则决策问题涉及的利益相关方和评价维度日益多样化，对决策者的知识深度和领域广度提出了更高要求。传统决策模式面临认知负担过重、决策效率低下等挑战，而机器智能技术的快速发展为缓解人类决策瓶颈提供了新的可能性。现有研究多关注人机协作过程，却鲜有探讨如何在多准则决策中基于人机各自优势领域实现决策任务的有效分工。研究聚焦于复杂决策环境下人机协同任务分配的科学性问题，提出了一种基于大语言模型（LLM）和检索增强生成（RAG）技术的混合智能决策框架。研究从决策属性特征与人机能力匹配的角度出发，构建了一个动态化、可解释的人机任务分配模型，研究框架包含多准则决策的专家能力建模、知识库构建、任务分配算法设计以及人机协同决策方法等关键环节，旨在通过系统化的人机分工机制实现决策资源的最优配置，为复杂决策场景提供理论支持与技术实现。

具体而言，研究提出了一种基于大语言模型的检索增强生成（RAG）优化框架，从而进行多准则决策场景下的人机任务分配。通过将外部知识库与生成模型融合应用，RAG策略能够为大语言模型提供领域相关的知识支持，从而显著降低生成过程中因信息不足或推理错误而导致的“幻觉”现象，并提升决策的精确性和可靠性。

首先，通过知识图谱技术构建领域专家画像，引入思维链（Chain of Thought）推理方法，利用大语言模型的实体识别和关系抽取能力，从非结构化专家数据中提取研究领域、学术成果和实践经验等核心信息，形成结构化的专家知识体系。其次，整合专家画像、结构化数据和非结构化文本构建多源决策知识库，通过嵌入模型将知识库数据转化为语义向量，存储在向量数据库中，以支持高效检索与匹配。在此基础上，设计基于RAG技术的任务分配框架，通过向量相似度计算从知识库中检索与决策属性最相关的信息，结合提示工程优化的大语言模型进行推理，生成人机任务分配方案。最后，提出人机协同决策方法，整合人类专家的主观评价与机器算法的客观分析，形成综合决策结果。

研究以中美贸易环境下被制裁信息技术企业的经营风险评估为案例，验证了所提方法的有效性和实用性。案例选取7家信息技术服务类企业和15项评价属性，通过构建包含7位领域专家的知识图谱和包含企业财务数据、年报等信息的决策知识库，实现了多准则决策任务的人机动态分配。实验结果表明：（1）所提模型能够自动识别任务的核心需求和复杂性，动态地将不同类型的决策任务分配给机器智能算法或人类领域专家，确保任务的精准分配和高效评估；（2）引入专家画像的混合模型相比基准大语言模型在任务分配精准度上提升显著，特别是在处理需要跨领域知识的复杂属性时表现出更强的推理能力；（3）人机协同决策结果相较于单独人类决策或机器决策展现出明显的优势，能够兼顾定量分析的客观性和定性判断的专业性，为企业风险排序提供更全面的依据。

研究的主要结论包括：第一，基于大语言模型和RAG技术的任务分配框架能够有效解决多准则决策中的人机分工问题，通过动态知识检索增强了模型在特定领域的适应性和准确性；第二，专家画像的构建和知识库的质量直接影响任务分配效果，结构化的领域知识表示是实现精准匹配的重要基础；第三，人机协同决策通过优势互补显著提升了复杂环境下的决策质量，验证了混合智能在管理决策中的应用价值。

尽管研究取得了预期成果，仍存在一些有待深入探讨的问题：专家画像的动态更新机制、知识库的自动化扩展方法、以及人机对同一任务不同评估结果的融合策略等。未来研究可进一步探索基于持续学习的专家能力演化建模、多模态知识库构建技术以及人机互信机制设计，以增强系统的自适应能力和决策可靠性。