Resumen: Los sistemas de infraestructura verde de aguas pluviales (GSI), como el pavimento permeable, los jardines de lluvia y las instalaciones de bioretención, requieren inspección y mantenimiento continuos para garantizar el rendimiento a largo plazo. Sin embargo, el conocimiento del dominio sobre GSI a menudo se encuentra disperso en manuales municipales, documentos regulatorios y formularios de inspección. Como resultado, los usuarios no expertos y el personal de mantenimiento pueden tener dificultades para obtener orientación confiable y práctica a partir de observaciones de campo. Aunque los modelos de lenguaje grande (LLM) han demostrado sólidas capacidades de razonamiento general y generación de lenguaje, a menudo carecen de conocimiento de dominio específico y pueden producir respuestas inexactas o alucinadas en escenarios de ingeniería. Esta limitación restringe su aplicación directa a tareas profesionales de infraestructura. En este artículo, proponemos GSI Agent, un marco LLM de dominio mejorado diseñado para mejorar el rendimiento en tareas relacionadas con GSI. Nuestro enfoque integra tres estrategias complementarias: (1) ajuste fino supervisado (SFT) en un conjunto de datos de instrucción GSI seleccionado, (2) generación de recuperación aumentada (RAG) sobre una base de conocimiento GSI interna construida a partir de documentos municipales y (3) un canal de razonamiento basado en agentes que coordina la recuperación, la integración del contexto y la generación de respuestas estructuradas. También construimos un nuevo conjunto de datos GSI alineado con escenarios de inspección y mantenimiento de GSI del mundo real. Los resultados experimentales muestran que nuestro marco mejora significativamente el rendimiento de un dominio específico al tiempo que mantiene la capacidad de conocimiento general. En el conjunto de datos GSI, BLEU-4 mejora de 0,090 a 0,307, mientras que el rendimiento en el conjunto de datos de conocimiento común se mantiene estable (0,304 frente a 0,305). Estos resultados demuestran que la mejora sistemática del conocimiento del dominio puede adaptar eficazmente los LLM de propósito general a aplicaciones de infraestructura profesionales.
Publicado originalmente en export.arxiv.org el 17 de marzo de 2026.
Ver fuente original
