知识卡片：基于检索增强大语言模型自动构建动态主逻辑知识图谱用于复杂系统诊断

• 英文标题：Constructing Dynamic Master Logic Models as Knowledge Graphs for Complex System Diagnostics Using Retrieval-Augmented Large Language Models
• 英文关键词（基于摘要提取）：Dynamic Master Logic; Knowledge Graph; Retrieval-Augmented Generation; Large Language Models; Complex System Diagnostics
• 原始来源：https://arxiv.org/abs/2608.12304v1

一句话结论

本研究提出并验证了一种利用检索增强生成（RAG）与大语言模型（LLM）自动构建动态主逻辑模型知识图谱（KG-DML）的框架，可在大型复杂系统上实现可重复的稳定重建，将技术文档转化为可执行的功能模型。

事件概述或研究问题

动态主逻辑（DML）提供了一种层次化框架，将系统功能目标与底层结构元素关联起来，从而表示系统行为。然而，DML的构建通常依赖专家对技术文档的解读，难以扩展到复杂系统。本研究的核心问题是：如何从系统描述中自动构建DML模型，并以知识图谱形式表示，以支持后续的诊断与可靠性分析。

方法/产品要点

• 使用检索增强生成（RAG） 与大语言模型（LLM） 作为工具，从系统描述文本自动构建KG-DML。
• 沿DML层次结构进行定向检索，在构建过程中保留功能依赖关系和显式逻辑关系。
• 生成的KG-DML支持诊断推理、安全评估、向上故障传播与向下依赖追踪。
• 采用多层次验证方法，评价各层精确率与召回率、逻辑门一致性以及整体结构完整性。

主要结果或产业意义

研究将该框架应用于一台退役沸水反应堆的低压冷却剂注入（LPCI）系统，在多次重复运行中均实现了一致的模型重建。结果表明，自动化KG-DML构建可以将技术文档转换为可执行的功能模型，用于复杂系统的诊断与可靠性分析，对核电等安全关键领域具有潜在应用价值。

为什么重要

既往工作主要面向小规模系统，本研究将自动化KG-DML的构建与评估扩展到规模明显更大、更复杂的系统，并提出了多层次验证思路。这是从“专家手工建模”迈向“大系统自动化安全建模”的重要增量步骤；同时，该工作展示了LLM+RAG在工业安全分析中的新应用方向，与已有知识卡片关注的水印技术、模型选择等问题无重复。

局限与不确定性

• 原文摘要未给出具体的量化指标数值（如各层精确率、召回率的具体值），待核实。
• 未提及与专家手工构建DML模型的成本或质量对比，待核实。
• 仅在单一系统（LPCI）上完成验证，跨系统泛化能力待核实。
• 未讨论失败案例或边界条件，待核实。

可用于图书/PPT/简报的角度

• 以“大语言模型自动读取技术文档并生成可推理的知识图谱”切入，展示LLM+RAG在工业安全分析中的应用。
• 以“从手工建模到自动知识图谱构建”的演进为线索，介绍DML框架及其在核电站系统诊断中的价值。

原始材料

• 英文标题：Constructing Dynamic Master Logic Models as Knowledge Graphs for Complex System Diagnostics Using Retrieval-Augmented Large Language Models
• arXiv ID：2608.12304v1
• 作者：Saman Marandi, Yu-Shu Hu, Mohammad Modarres
• 发布时间：2026-08-12
• 分类：cs.AI
• URL：https://arxiv.org/abs/2608.12304v1