摘要

本文由Anubhab Majumder等人撰写，介绍了如何利用大型语言模型（LLMs）开发和评估一种增强检索生成工具，用于创建人工系统的SAPPhIRE因果模型。SAPPhIRE模型在支持设计类比（DbA）方面被发现非常有用，但创建人工或生物系统的SAPPhIRE模型是一个劳动密集型过程，需要专家从多个技术文档中获取系统工作原理的知识。本文提出的检索增强生成（RAG）工具旨在生成与人工系统的SAPPhIRE构造相关的信息，并初步评估了该工具的成功性，重点关注事实准确性和结果的可靠性。

原理

本文提出的RAG工具的工作原理基于四个主要步骤：知识源嵌入、假设文档嵌入、上下文检索和生成响应。首先，工具使用Wikipedia API检索与用户输入系统相关的知识源文档。然后，通过RecursiveCharacterTextSplitter将这些文档分割成多个文本块，并使用OpenAIEmbeddings模型将这些文本块映射到高维向量表示，存储在ChromaDB中。接下来，工具使用预定义的查询列表（涉及SAPPhIRE模型的七个抽象层次）来检索相关的文本块。为了提高检索效率，工具采用了假设文档嵌入（HyDE）方法，通过LLM生成假设文档，然后使用这些假设文档来优化查询。最后，工具使用另一个LLM模型根据检索到的上下文生成修正的响应。

流程

本文的工作流程如图3所示。首先，工具接收系统名称作为输入，然后检索相关的Wikipedia文章。这些文章被分割成多个文本块并嵌入到向量数据库中。接着，工具使用预定义的查询列表来检索相关的文本块，并使用假设文档嵌入方法来优化查询。最后，工具使用另一个LLM模型根据检索到的上下文生成修正的响应。例如，对于一个电磁阀系统，工具首先生成一个假设的SAPPhIRE模型，然后根据Wikipedia文章中的相关信息进行修正，生成最终的SAPPhIRE模型。

应用

本文提出的RAG工具在设计类比（DbA）领域具有广泛的应用前景。通过自动化生成SAPPhIRE模型，该工具可以大大减少专家在创建系统模型时的工作量，从而提高设计效率。此外，该工具还可以用于教育和培训，帮助学生和工程师更好地理解和应用SAPPhIRE模型。未来，该工具还可以扩展到其他领域，如生物系统建模和复杂系统分析。