双层图谱加路由智能体:CMC文档如何变成可查的工艺记忆

化学、制造与控制(CMC)工艺开发横跨从药物发现到商业化生产的漫长链条,产生的技术信息极多,却通常散落在不同部门、不同格式的文件里。技术转移和监管申报时,追溯链条断开、知识管理成本高,是制药企业长期存在的问题。赛诺菲的一篇论文给出一个模块化智能体平台:把异质的工艺开发文档转成可查询的双层知识图谱,再由大模型智能体按问题类型选择检索路径。

词法层保真,领域层补语义

底层是词法图谱。文档经 Docling 解析版面、表格与阅读顺序,扫描件走 OCR,非英文文档可选翻译成英文;PDF、DOCX、PPTX、XLSX、HTML、Markdown、AsciiDoc、CSV 与图片都能直接进入同一条流水线。每份文档写入 Neo4j 属性图,形成 Document→Section→Chunk 的层级,章节按标题结构嵌套,块之间用 HAS_NEXT 保留阅读顺序。

上层是智能层:抽取与本体对齐的实体,把分散的单文档图连成跨文档、跨项目的机构级图谱。难点之一是实体消歧——乙腈、MeCN、ACN、CH3CN 指的是同一物质,却可能在不同报告里写法各异,必须先做归一化。更关键的是溯源:每个规范实体和关系都要能回指到支撑它的原文段落,而不是凭空生成。

双层图谱加路由智能体:CMC文档如何变成可查的工艺记忆

三层评测:95% 的选择题会骗人

团队没有用公开数据自证,而是设计了三层部署保真度协议。问题库由“出题智能体”从 38 份开发报告中整理出 505 道题,全部针对一个已停产的赛诺菲小分子项目。第一层是多选题准确率,达到 95%;第二层让大模型裁判给自由回答打分,通过率降到 85%,在比较类和全语料类问题上明显下滑;第三层由领域专家复核前两层结论不一致的案例。也就是说,选择题分数高并不等于系统能胜任真实工艺问答,失败模式恰恰藏在第二层。

路由智能体:按问题类型选路径

词法层的短板是缺少跨文档的概念连接,本体引导的领域层则擅长全语料洞察。作者据此设计了路由智能体:局部事实型问题走词法检索,需要跨项目比较或全局异常检测的问题走领域图。两层都用溯源锚定后,回答既更准,也更容易被工程师核查。

这篇文章的价值不在“又做了一个 GraphRAG”,而在评测方法:用非公开语料测部署保真度,并把专家复核放在分歧点上。对工业知识工程来说,知识图谱是否可信,最终要看每条结论能不能指回证据。

资料来源:From Document Silos to Process Intelligence: A Dual-Layer Knowledge Graph for CMC Process Development — arXiv(2026)。本文为技术要点编译,非原文全文。