南京航空航天大学学报

作者：秦晓瑞，何柳，安然，曾江辉，刘姝妍，王少枫，田宇

单位：1中国航空综合技术研究所标准数据技术研究部, 北京 100028；,1中国航空综合技术研究所标准数据技术研究部, 北京 100028；,1中国航空综合技术研究所标准数据技术研究部, 北京 100028；,1中国航空综合技术研究所标准数据技术研究部, 北京 100028；,1中国航空综合技术研究所标准数据技术研究部, 北京 100028；,1中国航空综合技术研究所标准数据技术研究部, 北京 100028；,2中国飞机强度研究所强度与结构完整性全国重点实验室，西安 710065；

关键词：大语言模型;检索增强生成;航空标准;向量知识库;迭代机制

基金：中国飞机强度研究所强度与结构完整性全国重点实验室项目。

航空标准数据具有结构复杂、语义严谨和跨文档引用频繁等特点，为实现高效、精准的知识获取与问答应用带来挑战，本文提出一种面向航空标准的大语言模型（Large language models， LLMs）迭代检索增强生成（Retrieval-augmented generation， RAG）方法，设计了基于结构路径感知的标准向量知识库构建与检索机制，结合标准文档的章节结构与标题链条构建支持语境追溯的知识库，并提出基于关键词与语义融合的知识检索机制。在此基础上，设计LLM驱动的自动迭代检索与生成机制，使模型能够自主判断是否需要发起子问题拆解与深层意图识别，并结合多轮检索与动态调度策略，实现问题拆解、信息获取、自主判断与生成控制的一体化闭环，提升对多知识点聚合型、语义递进型等复杂标准问答任务的生成质量与覆盖深度。实验基于7 459份航空标准文档构建知识库，针对500条专家标注问答对，在4类涵盖不同参数规模、模型类型及中英文语言能力的主流开源大语言模型上开展对比实验。结果表明，对于中大型参数规模的大模型，此方法在回答准确性、覆盖度和表达质量等指标上均显著优于传统方法。在大模型DeepSeek-R1-70B上，双语评估替补（Bilingual evaluation understudy， BLEU）指标平均提升27.97%，模拟主观评分提升7.99%；在大模型Qwen-2.5-32B上，BLEU指标平均提升54.67%，模拟主观评分提升8.58%。本文所提方法不仅适用于航空标准场景，也可推广至适航规章、维修手册等其他航空结构化文档场景，以及法律、医疗等对回答效果、可信度与可溯源性要求极高的领域，为相关问答系统的构建提供通用的技术框架与实现路径。

来源：2026年第1期

《南京航空航天大学学报》期刊编辑部

查看南京航空航天大学学报杂志2026年第1期