一、文章主要内容总结该研究针对化学工程领域中大型语言模型（LLM）存在的幻觉问题、事实依据不足及领域术语一致性差等痛点，提出了一种融合本体论（Ontology）与LLM的集成框架，用于增强化学工程控制系统中的领域特定问答能力。核心目标：结合结构化领域知识（本体论）与生成式AI的语言灵活性，解决化学工程中 regulatory 文档解读、过程控制查询等场景下，LLM输出的事实准确性、可解释性和可追溯性问题。关键组件：数据来源：采用美国FDA的《调查操作手册（IOM）》作为训练语料，涵盖检查协议、监管分类和过程控制文档；本体选择：集成COPE（Common Process Equipment）本体，规范过程设备、监管术语等核心概念及关系；技术流程：通过文本预处理、SVO（主谓宾）三元组提取、本体映射、模板化问答对生成完成数据准备，基于T5/BART模型进行微调，并加入控制聚焦解码和引用门机制约束输出；评估体系：涵盖语言质量（TokenF1、ROUGE-L）、本体对齐度（精确率/召回率/F1）、事实依据（幻觉率、引用覆盖率）三类指标。实验结果：与纯文本微调的基线模型相比，本体模板化微调模型在本体F1值（从0.14提升至0.31）、幻觉率（从0.91降至0.70）、本体引用覆盖率（从6%提升至22%）等关键指标上显著提升，实现了领域术语一致性和事实准确性的双重优化。应用场景/