大模型“下海”做知识工程：是万能助手还是摸鱼新手？

• 标题： Large Language Models for Ontology Engineering: A Systematic Literature Review
• 作者： Jiayi Li, Daniel Garijo, María Poveda-Villalón
• 发表时间： 2025年
• 核心发现： 大模型在构建本体（知识图谱的“骨架”）中作用显著，主要集中在实现阶段（63.4%），但面临缺乏标准化评估、易产生幻觉、难以复现等问题。未来应走向人机协作的混合模式，并建立统一的评估基准。

引言：AI界的“新工种”

提起大语言模型（LLM），你可能会想到能写诗、能编程的ChatGPT。但你可能不知道，AI界最近给大模型安排了一个“新工种”——知识工程师。

这个“新工种”可不是随便聊聊天那么简单，它负责构建整个知识世界的“骨架”。一篇2025年发表的系统综述论文，就像一份“体检报告”，详细盘点了GPT、LLaMA这些顶流大模型，在干这个“技术活”时，到底表现如何。

一、什么是“知识工程”？为什么难？

在AI界，为了让计算机真正“理解”世界，科学家们发明了知识图谱（比如谷歌搜索背后的知识库）。而支撑知识图谱的，就是本体。

可以把本体想象成一张极端精细的交通地图。它不仅标出了“路名”（概念），还定义了“是不是单行道”、“限速多少”、“红绿灯规则”（关系与约束）。比如，定义一个“智能手机”，它不仅要说明“是电子设备”，还要规定“必须包含操作系统”，且“不能是台式机”。

构建这张地图的复杂过程，就是本体工程。这个过程极其复杂，通常需要领域专家和工程师耗费数月，反复推敲，一不小心就会出错，是个典型的“老法师”才能干的活。

二、大模型在知识工程中扮演什么角色？

论文对30篇论文、41个实验方案进行了系统分析，发现大模型在本体工程中扮演了三个主要角色：

1. 本体工程师（最核心角色）
大模型可以自动化完成本体设计、开发和维护的多个环节。例如：

• 解析非结构化文本，生成结构化的需求规格
• 将能力问题自动翻译成SPARQL查询语句
• 将自然语言描述直接转换为OWL代码
• 甚至端到端地完成从需求到编码的完整本体构建

2. 领域专家
大模型凭借海量训练数据，能像半个专家一样：

• 生成领域相关的概念和术语定义
• 发现概念之间的潜在关系
• 生成本体文档和功能摘要
• 评估本体的一致性和正确性

3. 评估员
大模型还被用来验证本体公理、检测逻辑不一致。例如，ChatGPT-4在验证本体限制条件时，准确率高达92.2%，通过集成聚合方法甚至能提升到96.7%。

三、大模型“偏科”严重：哪些阶段最受关注？

论文按照LOT本体工程方法论，将本体开发分为四个阶段，并统计了大模型在各阶段的研究分布：

阶段	任务占比	具体任务
需求规格说明	24.4%	功能需求编写、能力问题逆向工程、需求形式化
实现阶段	63.4%	概念化、编码、匹配、评估
发布阶段	9.8%	文档生成
维护阶段	2.4%	Bug检测

可以看出，实现阶段占据了绝对主导地位，尤其是在概念化（22.0%）和编码（19.5%）这两个任务上。而维护阶段几乎无人问津——这就像一个擅长建新房，却不擅长后期维修的工人。

四、构建本体库的现有技术路线

论文概括了当前利用大模型构建本体库的三种主要技术路线：

路线一：端到端自动化生成（纯LLM驱动）

• 特点：将自然语言文本、能力问题或结构化数据直接输入LLM，由LLM自动输出完整的本体代码
• 代表方案：NeOn-GPT（Fathallah等）、SPIRES（Caufield等）、OLaLa（Hertling和Paulheim）
• 优点：速度快，自动化程度高
• 局限：易产生幻觉，缺乏逻辑一致性保证，需要后续专家验证

路线二：交互式人机协作（Human-in-the-Loop）

• 特点：LLM生成初稿，人类专家（领域专家或本体工程师）进行审核、修正、迭代反馈
• 代表方案：Doumanas等（SAR本体）、Kholmska等（主动学习扩展）、Zhang等（OntoChat）
• 优点：兼顾效率和准确性，能处理复杂领域知识
• 论文发现：仅4项研究明确涉及人类参与，但论文认为这是未来最有前景的方向

路线三：混合神经符号方法（Neuro-Symbolic，未来方向）

• 特点：将LLM的生成能力与规则推理器（如描述逻辑推理机）结合，由LLM提出建议，逻辑系统进行一致性验证
• 现状：论文将其列为未来研究方向，目前直接将该路线作为完整方案的成熟研究较少
• 论文建议：这是克服LLM“浅层推理”和“幻觉”问题的关键路径

五、用的模型五花八门，各有千秋

论文将使用的模型分为四大类：

1. GPT系列（GPT-3.5、GPT-4、GPT-4 Turbo/4o）

• 最广泛使用，尤其擅长复杂推理和高质量代码生成
• 在能力问题逆向工程、编码和评估任务中表现突出

2. 开源大模型（LLaMA、Mistral、Claude等）

• 在匹配不同本体、识别概念关系上表现优秀
• 成本更低，更受学术界欢迎
• Hertling和Paulheim（2023）微调LLaMA用于本体匹配，在OAEI基准测试中取得良好效果

3. 轻量级指令调优模型（Mistral-7B、Falcon-7B等）

• 提供更高效的解决方案
• 在能力问题逆向工程和本体创建中表现出色

4. 基于Transformer的架构（T5、BERT）

• 主要支持句子编码、分类和结构化生成
• 在知识提取和文档生成任务中发挥作用

六、漂亮成绩单下的“三大隐忧”

尽管很多论文都给出了亮眼数据，但论文也毫不留情地指出了目前的“致命伤”：

1. “考试没有统一标准！”
这是最大的痛点。每个研究都在用自己的一套考题（数据集）和评分标准。有的用F1分数，有的找专家打分，有的看语义相似度。这就导致了A研究说GPT-4拿了90分，B研究说LLaMA拿了85分，但两者根本没法比。“学术界的‘公信力’和‘可复现性’受到了严重挑战。”

2. “AI会胡编乱造（幻觉）！”
大模型常见的“幻觉”问题在知识工程中被放大。它可能会编造出根本不存在的概念或关系。与形式逻辑系统相比，LLM的推理能力仍然相对较浅，可能生成虚构的事实或关系，且对如何产生输出的透明度有限。此外，LLM往往违反基本的本体约束，如类互斥性、层次结构和定义域/值域限制。

3. “黑箱操作，难以复现！”
很多研究没有公开实验代码或详细数据。41项研究中，仅4项提供了完整的开源实验代码。这就导致了一个尴尬的局面：别人无法复现你的结果，也无法验证你的结论。

七、应用领域：从医疗到美食

论文发现，大模型在本体工程中的应用领域非常广泛：

• 医疗与生命科学（最活跃）：验证SNOMED CT和UMLS等大型生物医学术语系统的本体约束，辅助Dementia Care等疾病领域本体开发
• 文化遗产：增强DOREMUS、Polifonia和Odeuropa等音乐和嗅觉文化遗产本体
• 金融：自动生成能力问题，用于金融行业商业本体（FIBO）
• 应急与安全：构建搜索与救援（SAR）本体
• 自动驾驶：建模交通场景
• 学术研究：结构化分类研究主题（如计算机科学本体CSO）
• 食品领域：增强食品本体，从食谱文本中提取结构化数据

八、未来之路：人机协作，优势互补

这篇综述论文没有吹捧大模型，也没有唱衰它。它得出了一个非常清醒的结论：大模型不是万能药，但确实是强大的加速器。

论文给未来的研究指出了四条路：

1. 建立“高考”标准
学术界需要像高考一样，建立统一的、公开的基准测试，让所有模型在同一标准下公平竞争，才能真正分出高下，推动技术进步。

2. 走“神经符号”路线
把大模型的“直觉”和传统逻辑系统的“严谨”结合起来。让AI提建议，让逻辑程序做验算，从根源上解决“幻觉”问题。

3. 拥抱“持续学习”
让AI能够动态地更新知识，而不是像现在这样，训练完就“定格”了，这样才能支持长期的知识维护。

4. 增强真实世界的鲁棒性
优化提示工程方法，减少对结构化输入的依赖，增强LLM对实际应用场景的适应性。

总结

这篇论文就像一张“X光片”，清晰地照出了大模型在知识工程领域的“肌肉”和“短板”。它让我们看到，AI正在从“吟诗作对”的聊天机器人，进化成能够参与构建人类知识体系的“工程师”。虽然它现在还是个经验不足、偶尔会犯错的“实习生”，但在人类专家的指导下，它正在飞速成长。

未来，构建庞大、复杂的知识图谱，或许将不再是少数精英的专利，而是一场由AI辅助、全员参与的智慧共创。