基于大语言模型的图增强推理在烟草病虫害管理中的应用

本文提出一种用于烟草病虫害管理的图增强推理框架，将结构化领域知识融入大语言模型。基于 GraphRAG 构建领域知识图谱，检索查询相关的子图为答案生成提供关系证据。该系统采用 ChatGLM 为主干网络，结合 LoRA 高效微调及图神经网络学习节点表示，以捕捉症状 - 疾病 - 治疗的依赖关系。通过显式建模实体链接，系统支持超越文本相似度的证据感知检索，有效引导生成符合领域的建议并减少幻觉。实验表明，该方法在需多步关系链的多跳及比较推理任务上显著优于纯文本基线。