Page 142 - 《武汉大学学报（信息科学版）》2025年第6期

1164 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 6 月

匹配措施与资源实体；“预案撰写”对应模板驱动 制规范，且可落地执行。
的生成阶段，以结构化模板和模型生成组合实现 1.4.2 工作流执行阶段划分与智能任务编排机制
规范性输出；“征求意见”与质量控制阶段形成对 在阶段映射的基础上，进一步提出了一套提
照，由 LLM 评估生成内容的合理性与完整性，辅 示词驱动的智能任务编排机制，如图 3 所示。该
助决策优化。这种映射机制不仅在功能维度上 机制以“语义解析–知识调用–文本生成–质量
与专家操作流程保持一致，还充分利用 LLM 与 反馈”为主线，将整个地震应急预案的编制过程
智能体技术在语义解析、信息检索与内容生成方 拆解为 4 个串行执行的阶段性任务单元，每一阶
面的优势，具备较强的系统集成可行性与流程闭 段通过结构化提示词配置实现与智能体或 LLM
环性。其设计逻辑为后续工作流实现预案生成 的有效协同，确保系统在信息处理、逻辑组织和
提供结构性基础，确保整个方法符合实际预案编 文本生成等环节具备连续性与可追踪性。

图 3 应急预案线性生成链各阶段提示词配置与响应路径
Fig. 3 Prompt Design and Response Flow of Each Module in Emergency Plan Generation Chain

1）用 户 需 求 解 析 与 结 构 化 输 入 构 建 阶 段 。 建模，输出情境感知的灾后风险清单。
该阶段主要完成从“非结构化输入”到“结构化表 3）知识增强的响应措施生成阶段。根据识
达”的语义转换。通过精设的系统提示词，引导 别出的风险类型，系统通过 Cypher 查询从应急知
LLM 自动提取预案类别、适用级别与目标区域等 识图谱中抽取相关的应急处置措施、保障措施、
关键信息，并封装为标准化 JSON 数据结构，为后 执行机构信息与所需资源信息。结合模板结构
续任务模块提供统一输入接口。该过程相当于 与生成目标，进一步采用链式提示词引导 LLM
人工任务单的自动生成，确保了任务分配的明确 完成段落重构与语义扩展，输出具备场景适配性
性与规范性。 与语体规范性的预案核心内容。该阶段实现了
2）智能体驱动的震后风险分析阶段。本文 知识调用与生成控制的有效结合。
采 用 具 备 推 理 能 力 的 智 能 体 工 具 OpenManus 4）LLM 驱 动 的 格 式 优 化 与 质 量 评 估 阶 段 。
（https：//github. com/mannaandpoem/OpenMa‑ 在内容生成完成后，采用结构化控制策略，引导
nus），模拟人类专家的研判行为，自动制定检索关 LLM 对文本进行文档级重构，完成段落划分、编
键词并调用浏览器插件访问互联网资源，获取特 号校验、术语标准化等编辑任务。同时引入 6 维
定区域在历史地震中可能面临的次生灾害及风 质量评估指标（准确性、清晰性、全面性、可行性、
险信息，并结合预设风险本体进行分类、结构化 一致性、合理性），利用 LLM 对文本草稿进行辅