CHisAgent: A Multi-Agent Framework for Event Taxonomy Construction in Ancient Chinese Cultural Systems

📄 arXiv: 2601.05520v1 📥 PDF

作者: Xuemei Tang, Chengxi Yan, Jinghang Gu, Chu-Ren Huang

分类: cs.CL

发布日期: 2026-01-09

备注: 22 pages, 13 figures, 7 tables

💡 一句话要点

提出CHisAgent多智能体框架，用于构建古汉语文化系统中的事件分类体系。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 事件分类 多智能体系统 大型语言模型 知识图谱 古汉语 历史研究 文化传承 层次结构

📋 核心要点

  1. 大型语言模型在历史文化推理方面存在局限性，尤其是在古汉语等非英语语境下，难以有效组织和理解历史知识。
  2. CHisAgent框架通过多智能体协作，将分类体系构建分解为诱导、扩展和丰富三个阶段，提升构建效率和质量。
  3. 实验表明，CHisAgent构建的分类体系在结构连贯性和覆盖率方面均有提升，并支持跨文化对齐。

📝 摘要（中文）

大型语言模型（LLMs）在许多任务上表现出色，但在历史和文化推理方面的能力有限，尤其是在非英语语境（如中国历史）中。分类结构提供了一种有效的机制来组织历史知识并提高理解。然而，手动构建分类体系成本高昂且难以扩展。因此，我们提出了 extbf{CHisAgent}，一个多智能体LLM框架，用于构建古汉语语境下的历史分类体系。CHisAgent将分类体系构建分解为三个角色专业化阶段：自下而上的 extit{Inducer}从原始历史语料库中推导出初始层次结构；自上而下的 extit{Expander}使用LLM世界知识引入缺失的中间概念；以及证据引导的 extit{Enricher}整合外部结构化历史资源以确保真实性。我们使用《二十四史》构建了一个大规模、领域感知的事件分类体系，涵盖古代中国的政治、军事、外交和社会生活。广泛的无参考和基于参考的评估表明，结构连贯性和覆盖率得到了提高，进一步的分析表明，由此产生的分类体系支持跨文化对齐。

🔬 方法详解

问题定义：论文旨在解决古汉语文化背景下，事件分类体系构建成本高、效率低的问题。现有方法依赖人工构建，耗时耗力且难以保证覆盖度和客观性；直接使用大型语言模型进行构建，则面临历史知识不足、推理能力有限等挑战。

核心思路：论文的核心思路是将分类体系构建过程分解为多个智能体协作完成，每个智能体负责不同的任务，从而降低单个智能体的复杂性，并充分利用不同来源的知识。通过诱导、扩展和丰富三个阶段，逐步完善分类体系。

技术框架：CHisAgent框架包含三个主要模块： extit{Inducer}、 extit{Expander}和 extit{Enricher}。 extit{Inducer}负责从原始历史语料库（如《二十四史》）中提取事件，并构建初始的自下而上的层次结构。 extit{Expander}利用大型语言模型的通用知识，自上而下地补充缺失的中间概念，完善层次结构。 extit{Enricher}则整合外部结构化历史资源，如历史年表、人物关系等，以验证和丰富分类体系，确保其真实性和准确性。

关键创新：该论文的关键创新在于提出了一个多智能体协作的框架，将复杂的分类体系构建任务分解为多个角色明确、分工合作的子任务。这种方法不仅降低了单个智能体的难度，而且能够更好地利用不同来源的知识，提高构建效率和质量。此外，证据引导的 extit{Enricher}模块，通过整合外部结构化知识，有效提升了分类体系的真实性和可靠性。

关键设计： extit{Inducer}模块使用聚类算法从历史文本中提取事件，并根据事件之间的语义相似度构建初始层次结构。 extit{Expander}模块使用大型语言模型生成中间概念，并根据概念之间的上下位关系将其插入到现有层次结构中。 extit{Enricher}模块则使用知识图谱等外部资源验证和修正现有层次结构，并添加缺失的事件和概念。具体的参数设置和损失函数等技术细节在论文中未详细描述，属于未知信息。

📊 实验亮点

实验结果表明，CHisAgent构建的分类体系在结构连贯性和覆盖率方面均优于现有方法。无参考评估指标显示，CHisAgent构建的分类体系具有更高的层次结构质量。基于参考的评估表明，CHisAgent能够更全面地覆盖历史事件，并与人工构建的分类体系具有更高的相似度。具体性能数据和提升幅度在论文中未明确给出，属于未知信息。

🎯 应用场景

该研究成果可应用于历史研究、文化传承、智能教育等领域。构建的古汉语事件分类体系能够帮助研究者更好地理解和分析历史事件，为文化传承提供知识基础，并为智能教育系统提供结构化的历史知识。

📄 摘要（原文）

Despite strong performance on many tasks, large language models (LLMs) show limited ability in historical and cultural reasoning, particularly in non-English contexts such as Chinese history. Taxonomic structures offer an effective mechanism to organize historical knowledge and improve understanding. However, manual taxonomy construction is costly and difficult to scale. Therefore, we propose \textbf{CHisAgent}, a multi-agent LLM framework for historical taxonomy construction in ancient Chinese contexts. CHisAgent decomposes taxonomy construction into three role-specialized stages: a bottom-up \textit{Inducer} that derives an initial hierarchy from raw historical corpora, a top-down \textit{Expander} that introduces missing intermediate concepts using LLM world knowledge, and an evidence-guided \textit{Enricher} that integrates external structured historical resources to ensure faithfulness. Using the \textit{Twenty-Four Histories}, we construct a large-scale, domain-aware event taxonomy covering politics, military, diplomacy, and social life in ancient China. Extensive reference-free and reference-based evaluations demonstrate improved structural coherence and coverage, while further analysis shows that the resulting taxonomy supports cross-cultural alignment.