Knots数据集：多智能体框架实现航空文本解析92%准确率

每天有数万条NOTAM航空通告发布，但其中高达40%因专业术语复杂、逻辑隐晦而被飞行员误读——这直接威胁飞行安全。该论文突破性地提出NOTAM语义解析新范式，并发布全球最大专家标注数据集Knots，通过多智能体协同框架实现深层语义推理。实验证明，其提出的提示优化方案将航空文本理解准确率提升27.6%，为自动化航行安全系统带来突破性进展。

航空安全告示的解析困境

航空安全告示是保障飞行安全的关键信息通道，但其复杂语法结构和专业领域知识构成了机器理解的巨大障碍。全球每年发布的NOTAMs超过百万条，传统方法仅能进行表层信息抽取，无法应对需要深度推理的语义解析挑战。

该论文创新性地提出了NOTAM语义解析任务，突破了传统命名实体识别的局限，强调对隐含信息和时空关系的深层推断。研究团队构建了包含12,347条专家标注数据的Knots数据集，覆盖194个飞行情报区，为航空文本理解建立了新基准。

传统解析方法的三大瓶颈

传统方法在解析航空安全告示时面临三大核心挑战。语义鸿沟问题导致模型难以理解航空专业表达，例如“RWY 09/27 CLSD”可能被识别为跑道关闭，但无法推断相关滑行道和停机位的调整需求。

复杂逻辑推理能力不足使得单一模型难以处理多条件语句。当告示包含“除应急救援外，所有航空器需绕行”这类条件时，传统线性处理模式无法进行分层解析，导致关键限制信息遗漏。

领域知识整合断层是另一大瓶颈。即使最先进的BERT模型，在处理涉及空域结构和运行程序的复合语句时，准确率比人类专家低40%以上。测试显示，基于规则的系统在复杂告示解析中准确率骤降至32%，凸显安全关键场景的技术不足。

多智能体协同解析框架

该论文提出了创新的两阶段多智能体框架，专门解决NOTAMs深度语义解析中高召回率与高精确率的矛盾。多智能体发现阶段采用顺序管道架构最大化召回率，通过发现代理、分析代理和验证代理的协同工作获取初始候选集。

混合辩论框架阶段通过三重核心干预确保精确率。概念分区将任务拆分为结构优化与表达优化，由不同专家并行处理；对抗批判引入独立批判代理挑战所有提案；确定性合并通过程序化字段管理器应用无争议提案。这种设计有效规避了回声室效应与多数暴政。

该框架采用探索后精炼设计哲学，模块化架构确保全流程可调试。每个智能体输出结构化记录，形成清晰审计追踪，使错误可溯源至具体代理与阶段。该方案在保持高召回同时，将精确率从基线84.0% 提升至92.0%。

大规模数据验证效果

在包含12,347条数据的Knots数据集上进行的系统评估证实了方法的有效性。多智能体协作框架在字段发现任务中取得了92%的F1分数，显著优于传统短语挖掘方法和单一大语言模型方法。

NOTAM解析任务比较了多种提示策略的性能。5样本上下文学习策略表现最优，在多个模型上均取得最高F1分数，Gemini-2.5-Flash模型在部分领域达到96.3%。相比之下，思维链推理策略效果因领域和模型而异，表现出不稳定性。

参数分析表明，确定性生成在安全关键领域至关重要，温度设置为0.0时性能最佳。领域特定优化，如使用符合航空规范的字段名称，对提升解析精度起到积极作用。这些结果证明了该框架在大规模真实数据上的鲁棒性和实用价值。

智能体协作的工程实现

该论文通过系统化的提示工程策略实现多智能体协作效能优化。核心方法包括零样本提示与少样本上下文学习，前者依赖精准的指令设计与结构化输出规范，后者采用5样本策略注入领域验证案例。

针对复杂推理场景，作者提出思维链提示技术，通过多步骤推理实现时空关系解构与隐含信息推断。同时引入自一致性机制，采用多温度参数生成并行输出，结合多数投票法提升决策鲁棒性，有效应对航空领域的语义模糊性问题。

为处理持续性错误，该研究开发了选择性对比验证方法。该技术建立双阶段纠错循环：先通过置信度评分定位可疑字段，再使用对比样本与领域规则进行定向修正。这种后处理机制显著改善了时序逻辑等复杂场景的解析精度。

实验验证覆盖Qwen3-8B到GPT-5-Nano等多架构模型，证实提示敏感性与模型规模的关联规律。该框架为多智能体系统提供了可复用的工程实现路径，在需要深度领域知识的协同任务中展现出稳定性能。

航空智能的未来展望

该论文的研究成果标志着航空安全信息处理迈入了深度语义理解的新阶段。其构建的Knots数据集与验证的多智能体协作框架，为处理复杂领域文本提供了可复用的方法论，价值远超NOTAM解析本身。

展望未来，该工作为构建全域航空智能系统奠定了基石。经监督微调优化的模型可深度融合至飞行决策支持与空中交通管理系统，实现从被动信息解析到主动风险预警的跨越。这预示着运行安全与效率将获得革命性提升。

此项技术的潜力更可延伸至整个安全关键领域。其领域知识注入与提示工程优化的核心思想，为处理类似高专业、高风险的文本（如海事通告、医疗报告）提供了普适性范式，展现出广阔的行业应用前景。

论文地址：https://arxiv.org/abs/2511.12630 开源地址：https://github.com/Estrellajer/Knots