一种基于LLM和LangChain的事件管理系统优化方法

本发明涉及突发事件管理系统的优化方法，具体为一种基于llm和langchain的事件管理系统优化方法。

背景技术：

1、现代战场上涌现了大量的智能化作战装备和新型作战样式，提升了战场全面感知能力，逐渐演化出一体化联合的复杂作战体系，依靠人工处理海量信息已经变得十分困难，指挥人员需要掌握包括作战装备、作战战术、法律法规、战场情报、社会舆情等大量知识，因此亟需人工智能技术辅助指挥人员进行筹划决策和业务处理。

2、目前人工智能分为专用人工智能和通用人工智能，其中专用人工智能擅长在单一场景下处理特定任务，目前大多数智能应用都属于这一类，例如deepmind公司推出的“alphago”，能够在国际象棋中击败人类世界象棋冠军，但如果让其为文本生成一段摘要是不现实的。对于业务复杂的大系统需要集成大量的模型，成本过高且难以融合。然而通用人工智能更关注灵活性和通用性，更擅长处理复杂综合的任务，尤其是在指挥作战这种复杂场景下，突发情况多变且事件的发展难以预测，需要融合多方面情报进行综合分析，通用人工智能能够发挥在事务中推理、计划、解决问题、抽象思考、理解复杂思想、快速学习和从经验中学习的特长，协助指挥人员在紧张局势下进行正确的事件处置决策。

3、通用人工智能主要指llm（大语言模型），最具代表性的应用是2022年底由openai组织推出的“chatgpt”，以其具有强大的语言组织、本文处理、逻辑推理等能力火遍全球互联网，一跃成为人工智能领域的现象级应用。llm底层采用transformer模型，利用自注意力机制提升上下文理解能力，并通过大规模训练（通常具有十亿级以上参数）获得在事务中推理、计划、解决问题、抽象思考、理解复杂思想、快速学习和从经验中学习的能力。

技术实现思路

1、为了提升指挥作战场景下突发事件管理系统的效率，本发明提供了一种基于llm和langchain的事件管理系统优化方法，该方法利用llm技术加速对各类情报、法规、案例等信息的快速处理，对事件管理系统进行智能赋能，利用langchain框架快速构建领域llm应用以提升事件处置流程自动化，同时通过自然语言的方式与用户进行交互，对事件实体关系进行关联，方便指挥人员对事件脉络、事件态势以及事件相关背景综合理解，在突发情况下能够基于llm向量库中存储的历史案例辅助指挥人员快速做出正确反映和即时调整，从而提升指挥作战能力。本发明采用langchain框架来快速构建事件管理系统，可接入chatglm、qwen、localgpt、ollama等llm进行私有化部署，利用其强大的信息理解、事务推理能力来应对指挥作战场景下的突发问题，提升事件处置的效率。

2、本发明是采用如下的技术方案实现的：一种基于llm和langchain的事件管理系统优化方法，事件管理系统采用应用层、框架层、模型层3层系统架构设计，应用层围绕指挥作战突发事件处置业务逻辑开展设计，将突发事件处置流程划分4个阶段，包括事件数据管理、事件情况掌握、事件处置建议、事件处置组织协调；框架层采用大语言应用开发框架langchain进行业务串联和逻辑拼接，面向应用层对突发事件的处置流程各阶段进行优化，为应急状态下的指挥人员决策提供智能辅助决策支撑，保证在紧张局势下能够对突发状况进行即时、正确的响应；模型层对接开源llm，负责将输入的自然语言信息经过文本理解和知识推理形成期望的事件情况总结，能够调用外部接口查询事件热点信息和相关案例支撑系统生成事件处置预案，能够与外部系统进行交互自动下达指挥命令、作战文书、消息警告等进行席位间组织协调。

3、上述的一种基于llm和langchain的事件管理系统优化方法，事件数据管理模块从情报系统和业务系统中获取情报数据，为构建领域llm提供数据支撑；事件情况掌握模块的数据来源通过各席位的指挥人员进行上报，通过llm形成内容摘要；事件处置建议模块利用llm在历史案例中抽象出事件处置经验，形成处置预案，并根据兵力对比、物资保障、社会舆论因素进行权衡，提供处置建议和理由，帮助指挥人员做出处置决定；事件处置组织协调模块根据指挥人员制定的事件处置方案进行处突响应，开展行动监控、兵力布势、反制谋划，形成任务工单按照编组派发，支持各要素、各席位之间数据流转，实现突发事件处置全过程在线组织协调。

4、上述的一种基于llm和langchain的事件管理系统优化方法，事件数据管理模块具体包括数据引接加载和内容词向量存储2部分；数据引接加载时利用langchain数据加载器组件对情报系统和业务系统中的数据进行引接加载，实现数据服务请求和数据抽取功能，通过数据加载器引接的情报数据、业务数据需要存储到数据库中为业务执行过程中历史案例查询、法律法规查询、处置预案推荐提供知识支撑，其数据过程包括文档数据属性提取、词向量嵌入训练、数据存储3个阶段：①引接的数据采用doctran组件进行文档属性的提取，以便相关资料的精准查询和关联检索；②将文档的内容进行词向量嵌入训练，与上下文进行语义关联和不同语境的区分，形成计算机能够理解的高维向量格式，③采用chroma向量数据库对训练好的词向量内容进行存储。

5、上述的一种基于llm和langchain的事件管理系统优化方法，数据引接加载时为防止数据引接通道的拥塞，增加buffermemory组件窗口过滤机制进行数据流的削峰填谷。

6、上述的一种基于llm和langchain的事件管理系统优化方法，事件情况掌握模块包括文档元数据标记、知识化标签类目生成和内容综合摘要生成两部分，文档元数据标签标记对突发事件的历史案例进行文档标记，构建事件的结构化元数据标签形成指挥作战领域知识化标签类目体系，通过文本嵌入模型存储到chroma向量数据库中；各席位上报的情况报告通过stuffdocumentchain切割成文件块，通过索引器根据事件元数据从文件块中查询相关信息，并填入到对应的摘要提示词模板中，最终输入到llm进行多个情况报告的内容综合摘要生成。

7、上述的一种基于llm和langchain的事件管理系统优化方法，事件处置建议模块由用户触发，用户通过sqldatabasechain组件对业务系统引接数据库进行查询实现相关实时信息查询，通过multifunctionagent组件调用自定义方法对现存作战知识查询系统进行知识查询；采用思维链技术，将要解决突发事件所涉及的复杂问题q按照步骤拆解成一系列简单问题q={q1,q2,q3,…，qn}，形成问题拆解模板为llm提供参考思路；系统将思维链填入处置预案生成提示词模板中,利用示例选择器进行自动匹配合适的思维链，实现让llm按照同样的思维生成处置预案；同时系统提供自定义输出模板规定按照指定格式生成处置预案，然后将结果再次输入llm并输入评分提示词模板，最终通过输出分析器对处置预案进行分析比对生成处置建议。

8、上述的一种基于llm和langchain的事件管理系统优化方法，事件处置组织协调模块依靠langchain提供的callback机制实现对任务执行的方法和时机进行预设，自定义工具可设置任务执行的具体内容，执行代理可设置任务执行的条件，系统能够按照业务逻辑将多个任务进行串联有序执行形成完整的工作流；当突发事件处置进入方案实施阶段，用户触发任务派发动作，系统将按照处置方案中处置步骤将任务加入工作流，非结构化的处置方案通过llm翻译转换成格式化指挥命令，其内容包括命令发送方、命令接收方、命令类型、命令内容、紧急程度等要素；系统通过对话知识图谱记忆组件完成事件实体和实体间关联关系的图谱构建，完成格式化指挥命令各类要素内容的填写；系统监听指挥命令生成完毕后，通过callback机制调用接口完成作战文书拟制，最终由指挥人员人工核查、修改、发送，实现人在回路的任务工单派发。

9、本发明在智能模型的选型、业务处理的优化方法两方面具有新颖性：

10、①智能模型的选型新颖，选择了最先进且具有广阔发展前景的llm作为底层支撑。现有事件管理系统主要通过文书报告的形式进行上报和汇总，大多基于关键词、规则、结构化数据进行匹配和事件信息的抽取，来辅助指挥人员对突发事件进行情况掌握，这种方法受规则、格式的限制效果不佳，往往需要人工参与情况报告的审核、修改，效率较低。本发明采用llm，在内容理解方面具有优势，不受规则、结构等限制，可自动理解、总结各类情况报告，因此效率更高。

11、②业务处理的优化方法新颖，在保障业务拓展性和系统集成性的同时，利用llm提升突发事件处置的业务处理效率。现有事件管理系统针对特定功能需求采用专用人工智能模型，一个模型智能解决某一类特定问题，对于复杂系统和多类型的场景需要大量模型，导致集成成本较高，且模型之间很难做到逻辑打通和上下文关联。本发明采用langchain框架打通业务逻辑，可快速构建和扩展系统功能，从而降低系统集成成本，同时采用的llm为通用智能模型对于业务理解采用统一模型进行调度，方便存储业务上下文内容，有利于理解事件脉络和事件主体的关系，业务处理方面效率更高。

12、本发明在两方面具有创造性，①在领域应用的提升方面，创造性地将llm应用于指挥作战领域，解决指挥人员的突发事件处置业务痛点问题，为llm这种新兴技术的应用和普及提供了前沿性探索；②在先进技术的应用方面，提出海量数据引接融合、多文本摘要提取、基于思维链的处置方案推理、基于图谱记忆的工作流构建等创新方法实现事件处置过程自动化、智能化改造，为突发事件管理系统提升工作效率。

13、本发明利用目前主流的langchain框架针对指挥作战突发事件处置业务进行优化，支持对接各类llm，支持私有化部署可投入实际运用，能够灵活构建业务流程快速形成基于llm的领域应用，利用llm的泛化、迁移学习能力支持低成本进行业务拓展。相对传统基于规则和概率的机器学习方法，本方法在语义理解、内容生成、逻辑推理方面准确性和可用性更高，能够在实际运用中提升指挥人员对海量信息的处理速度，快速掌握战场态势。能够构建作战指挥知识库为指挥人员提供合理的处置方案和建议，实现作战文书生成和派发提升组织协调效率。