Resumen: La respuesta de las preguntas de cumplimiento regulatoria (QA) requiere información precisa y verificable y experiencia específica de dominio, que plantea desafíos para modelos de idiomas grandes (LLM). En este trabajo, presentamos un nuevo marco de agente múltiple que integra un gráfico de conocimiento (kg) de trillizos regulatorios con generación (RAG) de recuperación para abordar estas demandas. Primero, los agentes construyen y mantienen un KG libre de ontología extrayendo trillizos de sujeto-predicador-objeto (SPO) a partir de documentos regulatorios y limpiando, normalizando, deduciéndolos y actualizándolos sistemáticamente. En segundo lugar, estos trillizos están integrados y almacenados junto con sus secciones y metadatos textuales correspondientes en una única base de datos vectorial enriquecida, lo que permite un razonamiento basado en gráficos y una recuperación de información eficiente. En tercer lugar, una cartera de agentes orquestados aprovecha la recuperación a nivel de triplete para la respuesta de las preguntas, asegurando una alta alineación semántica entre las consultas de los usuarios y el núcleo fáctico de “Who-hid-what-whom-whom” capturado por el gráfico. Nuestro sistema híbrido supera a los métodos convencionales en consultas regulatorias complejas, asegurando la corrección objetiva con tripletes integrados, permitiendo la trazabilidad a través de una base de datos vectorial unificada y mejorando la comprensión a través de la visualización de subgraph, proporcionando una base robusta para aplicaciones de auditoría con el cumplimiento y las aplicaciones más amplias centradas en auditorías.
Publicado Originalme en export.arxiv.org El 13 de agosto de 2025.
Ver Fuente Original
