本文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：

基于熵优化动态文本分割与RAG增强大语言模型的建筑工程知识库构建研究

作者及机构
本研究由Haiyuan Wang（通讯作者）、Deli Zhang、Jianmin Li、Zelong Feng和Feng Zhang共同完成，所有作者均来自中国建筑科学研究院有限公司（CABR Testing Center Co., Ltd.）和中国建筑研究院有限公司（China Academy of Building Research Co., Ltd.）。研究成果发表于2025年3月的《Applied Sciences》期刊（Volume 15, Issue 6, 3134），采用CC BY 4.0开放获取许可。

学术背景
建筑工程领域的技术标准与规范（如GB/T和ISO系列）贯穿设计、施工、运维全生命周期，且需持续迭代更新。工程师亟需专业知识库辅助理解与更新标准。大语言模型（LLM, Large Language Model）与检索增强生成（RAG, Retrieval-Augmented Generation）技术的发展为垂直领域知识库构建提供了技术支持。然而，通用LLM在专业领域存在局限性：
1. 语义碎片化：传统静态文本分割（如固定长度分块）导致检索准确性下降；
2. 领域适配不足：通用模型缺乏对建筑工程标准术语和结构的针对性优化；
3. 资源效率问题：模型规模与计算成本呈指数级增长，需权衡精度与实用性。

本研究提出一种融合熵优化动态文本分割（EDTS, Entropy-Optimized Dynamic Text Segmentation）、向量相关性排序与提示工程迭代优化的RAG架构，旨在构建高效、精准的建筑工程知识库。

研究流程与方法
1. 知识库框架设计
- 构建阶段：
- 数据收集：整合国家标准（如JGJ/T 23-2011《回弹法检测混凝土抗压强度技术规程》）、行业规范及国际标准，形成权威语料库。
- EDTS文本分割：
- 以句子为核心单元，通过双向上下文窗口动态扩展；
- 基于条件熵最小化（公式3）确定分割边界，确保语义完整性与信息可预测性；
- 算法1实现自动化分块，解决传统方法（表2）的语义碎片化问题。
- 向量化与存储：采用Nomic-embed-text模型生成768维向量，存入FAISS向量数据库。

• 应用阶段：
  
  • 检索增强生成：用户查询经向量化后，通过余弦相似度（公式6）匹配Top-10相关文本块，整合至提示模板（图3-5）；
    
  • 多版本更新策略：保留历史标准版本元数据，优先调用最新文本块。
    

1. 实验验证
   
   • 测试集：101道专家验证的建筑工程标准问题，分为三类：
     
     • Type I（71.2%）：可直接判断的数值型问题（如”检测区域最大面积”）；
       
     • Type II（24.8%）：描述型问题（如”检测区域定义”）；
       
     • Type III（4.0%）：混合型问题。
       
   • 评估方法：
     
     • Type I：精确匹配（10分/0分制）；
       
     • Type II：文本相似度评分；
       
     • Type III：50%数值匹配+50%语义相似度。
       
   • 对比实验：
     
     • 文本分割方法：EDTS vs. 固定分块（FSC）、滑动窗口（SWC）等，Qwen2.5:7B模型下EDTS整体准确率达76%（图7）；
       
     • 模型规模：测试1.5B至72B参数模型，揭示准确率与耗时正相关（图8-9），7B模型性价比最优。
       

主要结果
1. EDTS优势：
- 在Type I/II问题中准确率提升至77%，较FSC-128提高12%；
- 通过熵优化（公式2-4）有效避免长文本的语义稀释，如标准条款的分割边界识别误差降低34%。

1. 模型规模影响：

   • 7B模型在Type III问题中达局部最优（F1=0.81），32B以上模型因过拟合反降5%准确率；
     
   • 72B模型响应耗时（8.7秒）为7B模型（1.2秒）的7.25倍，验证工程场景轻量化必要性。
     

2. RAG增强效果：

   • 相比直接提问LLM，RAG系统在Type I问题准确率从52%提升至89%；
     
   • 提示工程优化（如权重标记，图4）使关键文本块召回率提高28%。
     

结论与价值
1. 科学价值：
- 提出EDTS方法，首次将信息熵理论应用于工程文本分割，为结构化知识检索提供新范式；
- 量化验证LLM规模与领域任务性能的非线性关系（图8），补充了垂直领域模型选择理论。

1. 应用价值：
   
   • 支持离线部署：轻量化7B模型+向量库可在施工手持设备运行；
     
   • 动态合规检查：集成至BIM软件实时比对设计规范，人工错误减少60%；
     
   • 多版本知识追溯：保留标准演进历史，辅助技术迭代分析。
     

研究亮点
1. 方法论创新：EDTS算法通过局部熵最小化实现自适应分割，代码已开源；
2. 工程适配性：提出”7B模型+Top-10检索”的性价比最优方案；
3. 跨领域潜力：框架可扩展至法律、医疗等专业文本密集型领域。

局限与展望
当前知识库覆盖标准有限，未来需纳入施工日志、检测报告等动态数据，并探索与知识图谱（Knowledge Graph）的联合优化。