文章总结与翻译一、主要内容该研究提出了一个以大型语言模型（LLMs）为核心的统一框架Prompt2BN，用于贝叶斯网络结构发现，支持无数据和有数据两种场景，旨在解决传统结构学习方法依赖大量观测数据、计算成本高，以及现有LLM辅助方法仅将LLM作为辅助工具的局限。核心框架（两阶段）Phase-1（PromptBN）：无数据场景下的贝叶斯网络估计。通过元提示机制（meta-prompting），向LLM输入变量元数据（名称、描述、分布），单次查询即可生成有效的有向无环图（DAG）。生成后通过结构一致性验证（确保节点中心和边中心两种表示一致）和DAG约束验证（确保无环），失败则重试直至满足条件。Phase-2（ReActBN）：有观测数据时的结构优化。融合ReAct推理范式与结构评分（如贝叶斯信息准则BIC），LLM主动参与迭代优化过程。每次迭代生成顶级候选结构，LLM结合元数据、当前结构、评分等信息选择最优动作（添加/删除/翻转边）或终止，同时通过禁忌搜索避免循环，确保结构无环性。实验验证在7个经典基准数据集（Asia、Cancer等）和3个新数据集（blockchain、covid等）上验证，PromptBN在无数据场景下显著优于现有LLM-based方法，ReActBN在低数据/有数据场景下超越传统数据驱动算法（如PC-Stable、Hill Climbing）和混合方法。效率