文件大小：1.07M
摘要：针对审计问题定性中多维特征解析与动态法规匹配的技术难题，提出了多智能体协作框架下的审计问题定性法规推荐系统。传统大语言模型在法规推荐任务中存在三重局限性：法律文本的语义特征与审计问题存在表征差异，动态更新的法规体系导致知识时效性不足，以及单一检索策略难以支撑复杂案例的多级推理需求。基于上述问题，构建了包含问题抽取、逻辑推理、伪例生成等专业化智能体的协同架构，通过任务分解机制将复杂审计案例解析为可并行处理的子问题空间。方法层面创新性地融合指令微调与检索增强生成技术，构建覆盖国家级、企业级和内控手册的三级法规知识库，并设计基于智能体的动态检索策略。经大量真实审计案例数据的实验验证，在国家级法规推荐任务中，系统实现30.56%的法规条款直接命中率，较ChatGPT-4（13.89%）提升116%，BERTScore与Rouge-L指标分别达71.19%与20.20%。在多级综合法规推荐任务中，命中率、BERTScore与Rouge-L分别达到63.91%、26.50%和27.80%，均超过基线模型至少15.2%。结果表明，通过智能体协同的任务分解机制可有效解耦复杂审计问题中的多维度特征，而多级知识库架构显著提高了法规推荐的准确度，为审计实务提供了可解释的法规推理路径。此外，模块化的设计支持不同司法辖区的法规库动态扩展，具有重要的工程应用价值。
文章目录
1 相关工作
2 多智能体驱动的法规推荐系统
2.1 工作流编排
2.2 基座大模型与嵌入模型微调
2.3 构建法规知识库
3 实验及结果分析
3.1 实验环境
3.2 评价指标
3.2.1 BERTScore
3.2.2 Rouge-L
3.2.3 命中率
3.3 参数敏感性分析
3.4 对比实验
3.4.1 国家级法规推荐任务
3.4.2 多级别法规推荐任务
3.5 消融实验
4 案例研究
5 结束语
