Narrow and Deep: An Ontology Tower as the Knowledge of an LLM Agent for an Industrial Equipment System
作者: Younghwan Joo, Sung-il Kim
分类: eess.SY, cs.AI
发布日期: 2026-10-08
备注: 28 pages, 6 figures, 3 tables
💡 一句话要点
提出本体塔以解决工业设备系统知识不足问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 本体塔 大型语言模型 工业设备 知识表示 决策支持 自动化控制 经验教训
📋 核心要点
- 现有的工业设备系统知识结构往往过于宽泛，无法提供深入的具体知识，导致LLM代理的决策质量受限。
- 本研究提出的本体塔是一种狭窄而深刻的本体结构，专注于单一设备系统，通过物理关系和操作日志深化知识。
- 实验结果表明，使用本体塔的代理在任务执行中显著提高了准确性，尤其是在避免错误判断方面，表现优于传统方法。
📝 摘要（中文）
大型语言模型（LLM）代理开始在工业能源设备中运行，其表现依赖于对工厂的知识。现有的本体结构涵盖了多个站点的多种点，而工业设备系统需要的是少量实体但对每个实体有深入的知识。本研究提出了本体塔，这是一种针对单一设备系统的狭窄而深刻的本体，其知识通过物理关系从测量点派生的量和从操作日志中提取的经验教训进行深化。在一个实际的低湿度空气处理测试工厂中，代理通过预注册的评估接收来自本体塔的文本，使用四个开放权重模型进行九项任务的回放。结果显示，代理在避免最可能的错误判断方面提高了约20个百分点，9亿参数模型的整体任务得分达到了最大模型的水平。
🔬 方法详解
问题定义：本研究旨在解决工业设备系统中知识不足的问题，现有方法的本体结构往往过于宽泛，无法提供针对特定设备的深入知识，导致LLM代理的决策效果不佳。
核心思路：论文提出的本体塔是一种狭窄而深刻的本体结构，专注于单一设备系统，通过物理关系和操作日志中的经验教训来深化知识，从而提升LLM代理的决策能力。
技术框架：整体架构包括本体塔的构建、知识节点的整合、以及通过可编程逻辑控制器（PLC）与实际设备的交互。主要模块包括知识获取、知识表示和任务执行。
关键创新：最重要的技术创新在于提出了狭窄而深刻的本体塔结构，能够在实体数量少的情况下，提供丰富的知识深度，与现有的广泛本体结构形成鲜明对比。
关键设计：在模型设计中，使用了开放权重模型，参数范围从9亿到750亿，结合了物理关系和操作日志的知识节点，以增强模型的推理能力和任务执行的准确性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，使用本体塔的代理在避免错误判断方面提高了约20个百分点，9亿参数模型的整体任务得分达到了最大模型的水平，表明本体塔在提升LLM代理性能方面的有效性。
🎯 应用场景
该研究的潜在应用领域包括工业自动化、能源管理和设备监控等。通过提供更深入的知识结构，本体塔可以帮助LLM代理在复杂的工业环境中做出更准确的决策，提升设备运行效率和安全性，具有重要的实际价值和未来影响。
📄 摘要（原文）
Large language model (LLM) agents are beginning to operate industrial energy equipment, and what they get right depends on what they are told about the plant. Established building ontologies name many kinds of points across many sites, whereas an industrial equipment system needs few entities with much knowledge about each. This study proposes the ontology tower, a narrow-and-deep ontology of a single equipment system whose knowledge deepens in two ways: through quantities derived from the measured points by physical relations, and through lessons from the operating journal incorporated as knowledge nodes. On a real low-humidity air-handling test plant operated daily through a programmable logic controller, agents received a text projected from its tower in a preregistered evaluation of nine tasks replayed from the plant's records, using four open-weight models from 9 to about 750 billion parameters. This knowledge raised the rate at which the agents avoided the most plausible misjudgment of each task by about 20 percentage points, and the overall task score of the 9-billion-parameter model as much as that of the largest. Operating lessons were used when incorporated into the tower or placed in the prompt as records, but seldom when left in the journal behind a search tool. In live runs through an invariant safety layer, the agents brought the controlled variable into its target band in 12 of 14 runs. An ontology narrow in entities but deep in what is known about them can thus supply the knowledge that an agent for an industrial equipment system needs.