基于大语言模型的土地征收业务辅助智能问答助手构建方法及实现

陈卉¹，肖飞¹，咸容禹¹，郭文华¹，

李正¹，徐荣强¹，胡超²

1. 自然资源部信息中心，北京100830；
2. 浙江时空智子大数据有限公司，宁波315200

摘  要：针对土地征收业务中存在的知识碎片化、响应滞后与专业性不足等问题，以土地征收业务辅助问答智能助手建设为例，本文构建一种基于大语言模型的土地征收业务辅助智能问答助手的技术框架，以突破传统系统在统一知识组织与高效问答支持方面的能力瓶颈。通过构建业务知识体系与多维知识库、设计检索增强生成机制、搭建具备意图识别与任务拆解能力的智能体架构，并结合三维评测集与提示词优化方法，实现对复杂土地征收业务问题的高效应答；进一步研发形成土地征收业务辅助智能问答助手系统，为验证方法可行性，并进行专家评测对比分析。结果表明：与基础模型相比，本文方法在专业性、实用性方面均实现显著提升，尤其在政策文本生成及费用测算逻辑组织等较复杂任务中，答复内容更为系统、准确且具操作性，可为提升土地征收业务办理效率提供助力；本文方法整体得分提升了50.8%，复杂问题场景下的得分提升超过了42.1%。

关键词：大语言模型；土地征收；智能问答；业务场景；增强优化路径；数据治理

引用格式：陈卉, 肖飞, 咸容禹, 郭文华, 李正, 徐荣强, 胡超. 2025. 基于大语言模型的土地征收业务辅助智能问答助手构建方法及实现. 时空信息学报, 32(4): 442-453
Chen H, Xiao F, Xian R Y, Guo W H, Li Z, Xu R Q, Hu C. 2025. Technical architecture for constructing an intelligent Q&A assistant for land expropriation operations based on large language models. Journal of Spatio-temporal Information, 32(4): 442-453, doi: 10.20117/j.jsti.202504001

1  引  言

基于海量数据集的预训练，大语言模型（large language model，LLM）展现出强大的语义理解与文本生成能力，显著提升了非结构化数据的处理效率和分析深度，正在成为推动社会发展的关键驱动力，并将在体系化人工智能中扮演重要角色（陈光和郭军，2024；龚为纲和黄思源，2025）。2024年，自然资源部发布了《自然资源数字化治理能力提升总体方案》，要求加快生成式人工智能等新技术应用，研发智能理解问答、文本报告生成、数据智能分析等常用智能模块，打通智能化能力供给“最后一公里”，支撑自然资源数字化应用场景（张晏和吴孔逸，2024）。

土地征收是国家为了满足公共利益的需要，依照法定程序对土地征收，并给予公平补偿的行为（房绍坤，2019）。依据自然资源部公开发布的年度政府信息公开工作报告，2019～2024年，土地征收为社会公众政府信息公开申请量中的最高事项，在各类政府信息公开申请总量的占比中均超过40%，多年来始终为社会公众最为关注的自然资源领域事项之一。为使公众能够便捷获取土地征收政策、征地补偿标准，以及土地征收公告、征地批复文件等相关征收公开信息，自然资源管理部门推进政务服务能力提升，研发了全国征地信息共享平台、公众留言等政务公开和政民互动平台（谢敏等，2020；侯一俊等，2024）。然而，土地征收咨询答复工作仍面临问题类型广、服务对象多、响应滞后、知识碎片等一系列困难，现有系统在统一知识体系支撑与实时互动响应方面存在明显短板，难以满足高效、专业、智能的业务需求。近年来，依托LLM的自然语言交互技术所开展的知识搜索与智能问答，可满足用户互动式、沉浸式疑问实时解答需求，正成为提升行业服务效率的重要路径，但需要缓解大模型生成的幻觉问题，以及满足行业专业性和准确性的要求（张金营等，2024）。为解决大模型生成的幻觉问题，相关研究主要围绕检索增强生成和提示词优化技术展开。例如，陈冬雷和秦薇（2024）、徐晓东等（2025）通过检索增强生成（retrieval- augmented generation，RAG）技术融合业务流与信息流，提升模型在数据安全、准确性与知识覆盖方面的表现，显著缓解了模型幻觉问题；陈文秦和张帆（2025）从提示词工程出发，构建“指令+元素”式复合提示结构，通过引导生成内容逻辑与语义走向，提升了答复准确性与实用性；高雯等（2025）构建了多轮提示策略与RAG机制结合的模型系统，生成效果在准确率与召回率方面均优于基础模型。这为开展土地征收业务的智能问答服务提供了可借鉴的思路与方法。目前，在对自然资源领域大模型的研究中，肖飞等（2024）提出了自然资源行业大模型总体架构，系统论述了预训练、微调、RAG与智能体等关键技术路径；王海军（2024）从“太阳石”矿山大模型建设实践出发，探讨了模型在数据、算法、平台、安全等六大层面的部署成效；张金华等（2024）采用知识图谱技术构建地表覆盖处理服务原型系统，有效解决了服务之间缺乏关联和信息碎片化的问题，满足用户对服务的个性化选择需求；陈展鹏等（2025）结合知识图谱与大模型的优势，构建了面向辅助用地报批的智能问答框架，有效提升了业务处理智能化水平；彭文祥和张德英（2024）针对现有地面沉降预测在模型参数难以获取、单一深度学习方法在预测精度低等方面的局限性，提出了集成大模型核心技术的地面沉降预测方法。然而，当前研究多聚焦于技术体系或平台架构，针对自然资源行业具体业务场景中生成结果准确性和幻觉问题的系统性解决路径的研究仍显不足，特别是在土地征收等复杂业务场景中的应用研究仍属空白。

随着大模型技术的进一步发展，在场景赋能上从单一的检索增强、提示词工程发展为人工智能智能体构建方式，智能体具有环境感知、决策制定和行动执行能力，被视为实现通用人工智能的关键，能够模拟人类思维与行为以高效解决复杂问题，并能自主学习、适应动态场景，目前在不同行业和场景中开展了研究和应用（胡伟等，2024年）。已有研究探索了将大模型作为知识中枢，融合知识库与工具体系构建智能体，用于知识任务自主化处理（赵浜和曹树金，2024）、广告内容生成与评估（段淳林等，2025），以及图书推荐优化（王益国等，2024）等应用场景。因此，依托大模型综合运用检索增强、提示词工程、智能体构建等技术，有望为土地征收业务提供精细化知识支撑，弥补当前研究的不足。

总之，土地征收业务问答作为一个社会关注度高、问题类型广、服务对象多的场景，存在缺乏统一知识体系支撑、实时互动性和专业性不足的问题。尽管上述研究尝试运用RAG、提示词工程、智能体构建等大模型技术来应对问答实时性不强、生成结果准确度和专业性不高的问题，但未能与土地征收业务深度融合。因此，本文提出一种基于LLM的土地征收业务辅助智能问答的智能体构建技术框架，实现对土地征收业务知识的系统整合与辅助式问答；进一步研发设计土地征收业务辅助智能问答助手系统，并对结果的准确度开展专家评测，与基础模型进行比较分析，以验证方法有效性。

2  基于大语言模型的土地征收业务辅助智能问答助手构建技术框架

智能问答是LLM支撑实际业务最简易、最便捷、最常见的一种表达方式。本文提出一种面向土地征收业务辅助场景智能问答的综合性技术（图1），通过知识库构建、RAG、智能体搭建、综合评测、提示词优化等关键技术，实现基于大模型技术的土地征收业务辅助场景的智能化问答，以支持针对土地征收业务的辅助决策。

2.1  土地征收知识体系和多维知识库构建方法

知识体系梳理是实现基于私域知识问答助手构建的基础工作（饶东宁等，2025；吴璇和付涛，2025）。针对土地征收业务多环节、强流程、重合规的特点，构建结构化、可更新迭代的多模态土地征收知识库，涵盖文本、图像、音频等多种数据形式，以向量化方式实现语义统一编码，支撑复杂业务语义的理解与推理决策。然而，土地征收业务流程复杂，涉及土地征收批前、批中、批后三大环节，涵盖政策法规、业务经验、案例数据等多类型、多模态知识数据，构建过程中需实现业务流程与知识要素的全面关联映射，以保障知识库的完整性与可用性。

在知识体系梳理阶段，结合LLM在语义生成与结构组织方面的能力，提出通过“业务专家+通用大模型”人机协同方式构建知识结构。利用国产开源的通义千问系列LLM Qwen3-32B、X-mind可视化脑图工具，梳理土地征收业务流程关键环节和业务知识清单，并以脑图方式进行可视化展示。在此基础上，通过线下人工和Python爬虫方式进行知识数据收集，通过大模型自动匹配加专家调整补充的人机协同方式，实现土地征收相关政策法规、办事指南、征地补偿相关办法、业务规则、土地征收案例等文本信息，以及征地综合区片地价、地上附着物和青苗补偿等数据库知识数据与业务环节的映射。在知识库设计阶段，为解决土地征收业务中知识类型多样、结构复杂、关联性强等问题，构建政策法规知识综合库、业务经验知识综合库等，形成面向业务全流程的多维知识库体系，如图2所示。

实验设计土地征收知识体系和多维知识库构建方法。一方面，提出基于人机协同的知识体系梳理与环节—知识映射构建路径，充分发挥LLM在文本生成与语义检索方面的能力，实现业务知识体系的快速构建与流程环节间知识要素的高效关联，并结合人工专家的经验干预与结果校验，有效降低传统知识梳理的复杂性，提高知识映射的效率与准确性；另一方面，提出按业务流程环节进行知识库分层构建策略，使知识库能够依据具体业务场景实现快速、精准的知识定位与调用，为后续提升知识检索效率与结果精度提供支撑。

2.2  知识检索增强的知识库片段抽取方法

RAG是当前提升大模型领域适应性与输出准确性的有效路径之一，核心在于通过外部知识库检索相关文档以增强语言模型的生成能力（刘雪颖等，2025）。面向土地征收这一复杂业务领域，具有涉及多环节流程、知识数据维度丰富、数据权威性要求高等特点，若采用单一知识库进行检索，易导致检索效率低下、召回内容不完整、生成内容不聚焦等，因此，采用DF-RAG（dynamic fusion RAG；张浩然等，2025），融合语义分块、混合存储架构与自适应评分策略，结合领域专家和人工智能技术对知识的进一步标记和检索流程规则进行定制，从而系统优化知识检索的召回率与响应时效，提升生成结果的准确性与针对性。

知识检索增强的知识库片段抽取方法原理如图3所示。首先，依托大模型应用开发平台，将知识语料上传并采用语义树切的Embedding模型进行知识向量化处理，基于上文所述的构建成果，对向量化后的文本切片进行标签化处理。其次，针对政策文件、业务流程文档、专家经验等核心知识内容，结合LLM的语义理解能力，采用语义聚类与动态标签生成机制，构建更加细粒度的标签体系，并通过Python脚本实现自动化处理。再次，构建分层知识组织结构，将政策法规知识综合库与业务经验知识综合库设定为全局知识认知层，批前业务知识子库、批中业务知识子库、批后业务知识子库及土地征收案例专题知识库、综合区片价数据专题知识库作为局部细粒度知识认知层，业务环节–知识关联关系专题知识库及标签关系网络作为语义关联桥接层。最后，通过提示词和知识库权重定义知识检索流程及优先级，提升知识检索的准确性。

2.3  基于模块组合的土地征收智能体构建方法

一方面，土地征收业务场景覆盖面广、参与主体多，尤其在面向普通群众等对专业知识掌握有限的用户群体时，其提问内容往往具有广泛性、不确定性，甚至可能存在语义模糊或认知偏差。基于RAG的线性问答模式，虽具备一定的信息调用能力，但缺乏类人推理与反思机制，难以满足面向多类型用户和多维度复杂问题所需的动态理解与逻辑处理需求。另一方面，智能体具备环境感知、自主理解、决策制定与任务执行等能力，模拟人类的独立思考，实现用户输入深度理解与任务拆解，并灵活调用外部工具资源，以解决复杂业务处理需求（刘伟等，2024）。因此，采用智能体架构作为支撑复杂业务智能问答的新范式。基于ReAct推理-行动循环框架，构建适用于土地征收业务的多模块智能体架构，涵盖用户输入模块、记忆库引用模块、意图澄清及任务改写模块等。土地征收智能体构建流程如图4所示。

首先，在用户输入模块中，对用户问题的输入参数、当前时间、历史记录及上下文对话等全局变量进行初始化定义；在记忆库引用模块中，以业务经验知识综合库为主体，通过全文检索方式进行全量召回，为后续语义理解提供上下文支撑。其次，进入意图澄清及任务改写模块，利用Qwen3-32B对用户输入进行理解与意图识别，并在必要时启动多轮交互机制，进一步澄清意图并将问题改写为适合模型处理的形式。再次，在模型任务规划模块中，调用Qwen2.5-72B模型判断是否需要调用知识库或外部工具，规划问题求解路径；进入知识检索及工具调度模块后，根据规划结果完成对应的知识查询与工具调用操作。最后，运用Qwen2.5-72B结合预设提示词进行总结生成，输出答复内容。

2.4  三维立体的土地征收智能体评测构建方法

评测集是衡量大模型在复杂应用环境中感知、理解、决策与执行能力的重要工具，通常由行业专家参与构建，涵盖具有代表性的多种业务场景与任务类型，作为标准化评估的依据（程大伟等，2025）。为系统评估土地征收业务辅助智能问答助手，在实际应用中的表现和综合业务能力并进行智能体调优，实验构建一套面向大模型多维能力的专项测试数据集。

土地征收评测集构建矩阵如图5所示。围绕服务对象、问题难度、业务能力三个核心维度进行设计，服务对象维度的设计，涵盖自然资源管理人员、土地征收相关权利人及行业专家三类典型用户群体，确保覆盖多元用户视角与使用场景；问题难度维度的设计，按照业务处理复杂度分为简单难度知识检索、一般难度对比分析、较难难度综合判断三个层级，用于检验模型在不同难度维度下的应答能力；业务能力维度的设计，聚焦土地征收全流程中的核心任务需求，设计征地补偿知识解答、征地补偿信息查询等七大能力。在此框架基础上，构建覆盖全流程、全类型业务问题的评测体系，共设置评测问题200项，力求多角度、全方位地评估大模型在土地征收场景下的智能响应与任务执行能力。

2.5  土地征收智能体多维综合提示优化技术方法

基于上文所述，为进一步提升在实际业务场景中的响应质量与应用实效，引入提示词优化机制，通过有针对性地设计与调整提示词，引导LLM生成更加符合土地征收专业需求的输出内容。在土地征收智能体调优过程中，用提示词优化与知识补充相结合的方式，对土地征收智能体进行持续调优，从而有效改进回答质量，达到令业务领域专家满意的效果。基于标准的Roses提示词框架，对土地征收智能体各环节所用提示词进行系统设计与逐一调优，综合利用提示词提示、小样本提示、思维链提示技术（王东清等，2025），进行优化提示。如图6所示，首先定义提示词角色为文档总结生成助手，并进一步明确其目标、适用场景、预期方案及操作步骤等要素；其次，构建标准化提示词模板，实现对模型行为的有效引导，显著提升智能体在土地征收场景下的任务理解能力与应答输出质量；最后，生成内容更加贴合业务语境、结构更加清晰，能够更好地满足领域专家对问答质量的要求。

在模型调优阶段，不仅通过提示词工程优化模型的生成逻辑，同时引入多维知识补充机制，以提升土地征收智能体在专业场景下的知识覆盖与语义理解能力。针对评测过程中模型表现不佳的问题类型，分析其回答偏差与知识缺失原因，补充行业经验问答对、标准问答对及行业术语解释对等内容，并统一纳入业务经验与流程知识综合库中，作为记忆库引用模块中的固定召回内容，从而加强模型对核心知识的稳定记忆与持续理解。行业经验问答对，通过模拟真实业务语境补充高质量的经验性知识，以提升大模型对复杂任务的应答能力；标准问答对，以规范化高频问答表达，实现相似问题的快速匹配与准确应答；行业术语解释对，针对专业术语、行业缩略语及近义词进行归一化处理，构建知识词库，使其能够理解行业内部的术语变体与“黑话”，增强领域适应性。表1为土地征收业务辅助智能问答助手知识词库示例。通过上述多源知识的系统补充，配合记忆调用模块的固定召回机制，有效提升了模型对土地征收、征地区片综合地价、征地补偿安置协议等核心概念的记忆强度与语义解析能力，强化模型对土地征收业务知识的固化理解，构建了面向复杂问答任务的专业知识基础。

3  系统实现及评价

为验证方法可行性，研发设计土地征收业务辅助智能问答助手系统。并以专家评测方式，与基础模型进行比较分析。

3.1  系统应用技术实现

首先基于大模型应用开发平台，进行知识库构建、模型调用、智能体搭建等工作，并以RESTful API对外提供问答能力服务，在此基础上搭建应用系统，系统采用前后端分离技术架构，前端采用Vue.js框架搭建交互界面，后端采用SpringBot实现页面业务逻辑、对话缓存、用户鉴权等功能。系统技术架构如图7所示。用户在系统首页直接输入土地征收相关问题后，系统调用预先构建的土地征收智能体，结合知识库检索与模型推理机制，快速生成准确、专业的答复内容；系统同时支持生成回答所引用知识片段的可视化展示，并具备相关政策文件的出处预览、下载等功能，增强了回答的可追溯性与业务支撑能力，有效提升了土地征收业务的响应效率与办理质量。

3.2  土地征收问答专家评测分析

采用行业专家评分法对系统问答功能进行全面、系统的评测，验证其在土地征收相关业务场景中的性能表现，为后续优化和改进提供依据。评测团队由自然资源领域具备丰富的土地征收业务经验和专业知识的多位专家组成，评测数据集包含200项与土地征收业务相关的问答，按需求难度分为知识解答、信息查询、文件辅助编写、费用测算、政策建议等类型。评测指标规则采用五级评分标准，总分10，见表2。

经专家评测，在系统功能评测集中200项问题的生成结果中，基础模型的平均得分为4.5，本文方法的平均得分为9.14。其中，针对文件编写、费用测算、政策建议等复杂问题的平均得分达到8.8。相较于基础模型，本文方法的整体得分提升了50.8%，尤其针对复杂问题场景下的提升超过了42.1%。优化前后评测结果对比如图8所示。

由图9可看出，通过智能体综合增强优化，模型在专业性、实用性及复杂任务支撑能力方面均实现显著提升，尤其在政策文本生成及费用测算逻辑组织等任务中，答复内容更为系统、准确且具操作性。智能助手可实现回复群众土地征收类咨询答复的时间由平均5个工作日缩短至2个工作日，显著提升了业务人员获取相关信息、处理相关业务的准确度和便捷度，验证了本文方法在自然资源领域典型场景应用的实用性和推广价值。

4  结  论

针对土地征收业务中知识碎片化、响应滞后、专业性不足等问题，本文构建了基于LLM的土地征收业务辅助智能问答助手的技术框架。通过构建业务知识体系与多维知识库、设计检索增强生成机制、搭建具备意图识别与任务拆解能力的智能体架构，以及构建三维立体评测体系与提示词优化机制，实现支撑土地征收业务的高效智能问答。在此基础上，研发形成土地征收业务辅助智能问答助手系统，通过与基础模型对比分析，表明本文方法显著提升了问答的准确性与专业性，提升了政务服务的便捷性和智能化水平。研究成果为自然资源行业大模型业务场景的智能问答功能的增强优化提供了可复用、可评估的技术路径，对推动大模型在行业典型业务场景中的低成本部署和高效应用具有重要示范意义。

由于大模型技术更新迭代迅猛及实际落地依赖大量算力资源等问题，本文工作仍存在一定局限性，未来将从以下方面开展进一步研究。构建语言大模型与时空分析专家小模型的协同调度机制，通过模型蒸馏、知识迁移等手段提取大模型的通用能力，在高频、轻量场景中由小模型快速响应，在复杂、高推理任务中由大模型深度支持，实现资源效率与智能能力的动态平衡，推动自然资源行业大模型智能体的规模化部署与高效应用，更好地适应自然资源领域的复杂业务需求，为自然资源行业的数字化转型提供更有力的支撑和保障。

参考文献（References）

陈冬雷, 秦薇. 2024. 基于检索增强生成的智能问答系统关键技术研究. 办公自动化, 29(19): 82-86[Chen D L, Qin W. 2024. Research on the key technologies for intelligent Q & a system based on retrieval augmented generation technology. Office Informatization, 29(19): 82-86 (in Chinese)]

陈光, 郭军. 2024. 大语言模型时代的人工智能: 技术内涵、行业应用与挑战. 北京邮电大学学报, 47(4): 20-28[Chen G, Guo J. 2024. Artificial intelligence in the era of large language models: Technical significance, industry applications, and challenges. Journal of Beijing University of Posts and Telecommunications, 47(4): 20-28 (in Chinese)]

陈军, 王艳慧, 武昊, 刘万增. 2023. 时空信息赋能高质量发展的基本问题与发展方向. 时空信息学报, 30(1): 1-11[Chen J, Wang Y H, Wu H, Liu W Z. 2023. Basic issues and development directions of high-quality development empowered by spatio-temporal information. Journal of Spatio-temporal Information, 30(1): 1-11 (in Chinese)]

陈文泰, 张帆. 2025. 提示词构成要素对大语言模型跨模态内容生成质量的影响研究——基于讯飞星火大模型文生图功能的探索性实验. 郑州大学学报(哲学社会科学版), 58(2): 99-104[Chen W T, Zhang F. 2025. Research on the influence of hint elements on the quality of cross-modal content generation of large language model—An exploratory experiment based on the function of iFLYTEK spark model’s literatures and graphs. Journal of Zhengzhou University (Philosophy and Social Sciences Edition), 58(2): 99-104 (in Chinese)]

陈展鹏, 杜启勇, 胡鑫, 杨学习, 王天应, 江一凡, 尹姝彤, 邹煜星. 2025. 面向辅助用地报批的知识图谱协同构建与智能问答方法及实现. 时空信息学报, 32(1): 94-103[Chen Z P, Du Q Y, Hu X, Yang X X, Wang T Y, Jiang Y F, Yin S T, Zou Y X. 2025. Methods and implementation of collaborative construction and intelligent question-answering for knowledge graphs in support of land use approval. Journal of Spatio-temporal Information, 32(1): 94-103 (in Chinese)]

程大伟, 吴佳璇, 李江彤, 丁志军, 蒋昌俊. 2025. 大模型金融场景能力评测框架研究. 计算机科学, 52(3): 239-247[Cheng D W, Wu J X, Li J T, Ding Z J, Jiang C J. 2025. Study on evaluation framework of large language model’s financial scenario capability. Computer Science, 52(3): 239-247 (in Chinese)]

邓建鹏, 赵治松. 2025. DeepSeek的破局与变局: 论生成式人工智能的监管方向. 新疆师范大学学报(哲学社会科学版), 46(4): 99-108[Deng J P, Zhao Z S. 2025. The breakthrough and transformation of DeepSeek: The new rules for AIGC regulation.Journal of Xinjiang Normal University (Philosophy and Social Sciences), 46(4): 99-108 (in Chinese)]

段淳林, 蒲源, 魏方. 2025. 智能体与生成式计算广告创意的模型建构与效果研究. 新闻界,1-12. https://link.cnki.net/doi/10.15897/j. cnki.cn51-1046/g2.20250603.001.[2025-06-04][Duan C L, Pu Y, Wei F. 2025. The model construction and effects analysis of agent and generative computational advertising creatives. Journalism and Mass Communication,1-12. https://link.cnki.net/doi/10.15897/j. cnki.cn51-1046/g2.20250603.001. [2025-06-04] (in Chinese)]

房绍坤. 2019. 土地征收制度的立法完善——以《土地管理法修正案草案》为分析对象. 法学杂志, 40(4): 1-12[Fang S K. 2019. Legal perfection of land expropriation system: Taking the draft amendment of land administration law as the object of analysis. Law Science Magazine, 40(4): 1-12 (in Chinese)]

高雯, 张轩铭, 杨家文, 林波荣, 刘洋, 陈宛晴, 杜修力. 2025. 基于大语言模型的建筑法规智能问答平台研究. 建筑技艺(中英文), 31(2): 53-57[Gao W, Zhang X M, Yang J W, Lin B R, Liu Y, Chen W Q, Du X L. 2025. Research on intelligent Q & A platform for building regulations based on large language model. Architecture Technique, 31(2): 53-57 (in Chinese)]

龚为纲, 黄思源. 2025. 大语言模型与计算社会科学: 工具、议题与挑战. 求索,(3): 137-148[Gong W G, Huang S Y. 2025. Large language models and computational social science: Tools, issues and challenges. Seeker, (3): 137-148 (in Chinese)]

侯一俊, 杨征, 陈卉, 谢敏, 徐晓婧, 马连刚. 2024. 政府门户网站政民互动研究——基于自然资源部门户网站公众留言的实例分析. 自然资源信息化,(5): 47-53, 87[Hou Y J, Yang Z, Chen H, Xie M, Xu X J, Ma L G. 2024. Research on government-citizen interaction on government portal websites: A case analysis based on public comments on the portal website of Ministry of Natural Resources. Natural Resources Informatization, (5): 47-53, 87 (in Chinese)]

胡伟, 姜晓夏, 邵洲天, 朱容志. 2024. 大型语言模型智能体: 机制和应用的综述. 指挥信息系统与技术, 15(6): 1-11[Hu W, Jiang X X, Shao Z T, Zhu R Z. 2024. Large language model(LLM) agents: Survey of mechanisms and applications. Command Information System and Technology, 15(6): 1-11 (in Chinese)]

刘伟, 谢海斌, 陈少飞. 2024. Agent视域下的人工智能赋能作战系统. 指挥控制与仿真, 46(6): 8-14[Liu W, Xie H B, Chen S F. 2024. Artificial intelligence empowered combat systems from the perspective of Agent. Command Control & Simulation, 46(6): 8-14 (in Chinese)]

刘雪颖, 云静, 李博, 史晓国, 张钰莹. 2025. 基于大型语言模型的检索增强生成综述. 计算机工程与应用, 61(13): 1-25[Liu X Y, Yun J, Li B, Shi X G, Zhang Y Y. 2025. Survey of retrieval- augmented generation based on large language models. Computer Engineering and Applications, 61(13): 1-25 (in Chinese)]

彭文祥, 张德英. 2024. 基于LSTM与Transformer的地面沉降智能预测方法研究——以上海市为例. 时空信息学报, 31(1): 94-103[Peng W X, Zhang D Y. 2024. Research on land subsidence intelligent prediction method based on LSTM and Transformer: A case study of Shanghai. Journal of Spatio- temporal Information, 31(1): 94-103 (in Chinese)]

饶东宁, 许正辉, 梁瑞仕. 2025. 基于知识库问答的回答生成研究. 计算机工程, 51(2): 94-101[Rao D N, Xu Z H, Liang R S. 2025. Research on answer generation based on knowledge base question answering. Computer Engineering, 51(2): 94-101 (in Chinese)]

王东清, 芦飞, 张炳会, 李道童, 彭继阳, 王兵, 姚藩益, 艾山彬. 2025. 大语言模型中提示词工程综述. 计算机系统应用, 34(1): 1-10[Wang D Q, Lu F, Zhang B H, Li D T, Peng J Y, Wang B, Yao F Y, Ai S B. 2025. Survey on prompt engineering in large language model. Computer Systems and Applications, 34(1): 1-10 (in Chinese)]

王海军. 2024. 矿山行业大模型建设路径探索与应用展望. 煤炭科学技术, 52(11): 45-59[Wang H J. 2024. Construction exploration and application prospect of the large model in mining industry. Coal Science and Technology, 52(11): 45-59 (in Chinese)]

王益国, 杨洁, 李馥孜, 郭萍萍. 2024. 基于AI Agent的高校图书推荐架构研究. 大学图书情报学刊, 42(6): 3-8[Wang Y G, Yang J, Li F Z, Guo P P. 2024. Research on university library book recommendation architecture based on AI agent. Journal of Academic Library and Information Science, 42(6): 3-8 (in Chinese)]

吴璇,付涛.2025.检索增强生成技术研究综述.计算机工程与应用,1-20.https://kns.cnki.net/KCMS/detail/detail.aspx?filename= JSGG20250610007&dbname=CJFD&dbcode=CJFQ.[2025-06-11] [Wu X, Fu T. 2025. Comprehensive review of retrieval-augmented generation. Computer Engineering and Applications,1-20. https:// kns.cnki.net/KCMS/detail/detail.aspx?filename=JSGG20250610007&dbname=CJFD&dbcode=CJFQ. [2025-06-11] (in Chinese)]

肖飞, 吴洪涛, 郭文华, 刘文超, 曾建鹰, 熊伟, 张芸, 胡源, 沈坚, 董洁飞, 陈志远. 2024. 自然资源行业大模型建设框架与典型场景研究. 自然资源信息化,(6): 54-62[Xiao F, Wu H T, Guo W H, Liu W C, Zeng J Y, Xiong W, Zhang Y, Hu Y, Shen J, Dong J F, Chen Z Y. 2024. Research on the framework and typical scenarios of large language model construction in the natural resources industry. Natural Resources Informatization, (6): 54-62 (in Chinese)]

谢敏, 叶兴茂, 侯一俊, 徐晓婧, 赖敏. 2020. 我国征地信息公开信息平台建设回顾与展望. 国土资源信息化,(2): 20-25[Xie M, Ye X M, Hou Y J, Xu X J, Lai M. 2020. Review and prospect of the construction of opening land requisition information platform in China. Land and Resources Informatization, (2): 20-25 (in Chinese)]

徐晓东, 全喜伟, 杨帅. 2025. 大语言模型在交管政务服务中的应用研究. 道路交通管理, (3): 36-39[Xu X D, Quan X W, Yang S. 2025. Research on the application of large language model in traffic control government service. Road Traffic Management, (3): 36-39 (in Chinese)]

徐子阳, 周绍光, 葛莹, 万子豪. 2025. 基于模型蒸馏的无标签城市道路遥感自动提取. 时空信息学报, 32(2): 113-126[Xu Z Y, Zhou S G, Ge Y, Wan Z H. 2025. Automatic extraction of unlabeled urban roads from remote sensing images based on model distillation. Journal of Spatio-temporal Information, 32(2): 113-126 (in Chinese)]

张浩然, 郝文宁, 靳大尉, 程恺, 翟颖. 2025. DF-RAG: 基于查询重写和知识选择的检索增强生成方法. 计算机科学, 1-12. [https://kns.cnki.net/KCMS/detail/detail.aspx?filename=JSJA2025022600E&dbname=CJFD&dbcode=CJFQ. [2025-02-27][Zhang H R, Hao W N, Jin D W, Cheng K, Zhai Y. 2025. DF-RAG: Search enhancement generation method based on query rewriting and knowledge selection. Computer Science,1-12. https://kns.cnki. net/KCMS/detail/detail.aspx?filename=JSJA2025022600E&dbname=CJFD&dbcode=CJFQ. [2025-02-27](in Chinese)]

张金华, 仇培元, 邢华桥, 冯永玉. 2024. 面向地表覆盖处理服务的知识图谱建模方法研究. 时空信息学报, 31(5): 641-651[Zhang J H, Qiu P Y, Xing H Q, Feng Y Y. 2024. A method for construction of knowledge graph for land cover processing services. Journal of Spatio-temporal Information, 31(5): 641-651 (in Chinese)]

张金营, 王天堃, 么长英, 谢华, 柴林政, 刘书恺, 李彤亮, 李舟军. 2024. 基于大语言模型的电力知识库智能问答系统构建与评价. 计算机科学, 51(12): 286-292[Zhang J Y, Wang T K, Yao C Y, Xie H, Chai L Z, Liu S K, Li T L, Li Z J. 2024. Construction and evaluation of intelligent question answering system for electric power knowledge base based on large language model. Computer Science, 51(12): 286-292 (in Chinese)]

张晏,吴孔逸. 2024. 以自然资源数字化发展助力实现中国式现代化.中国自然资源报，2024-02-07(002)[Zhang Y, Wu K Y .2024. To promote the realization of Chinese path to modernization through the digital development of natural resources. China Natural Resources News, 2024-02-07 (002) (in Chinese)]

赵浜, 曹树金. 2024. 生成式AI大模型结合知识库与AI Agent开展知识挖掘的探析. 图书情报知识,1-14.https://kns.cnki.net/KCMS/detail/detail.aspx?filename=TSQC20241102001&dbname=CJFD&dbcode=CJFQ.[2024-11-04][Zhao B, Cao S J. 2024. Exploring knowledge mining using large language model combined with knowledge base and AI agent. Documentation, Information&Knowledge,1-14.https://kns.cnki.net/KCMS/detail/detail.aspx?filename=TSQC20241102001&dbname=CJFD&dbcode=CJFQ. [2024-11-04] (in Chinese)]