RECON: A Recipe-Driven, Evidence-Fused, Neuro-Symbolic Multi-Agent Architecture for Autonomous Document Compliance Auditing across Heterogeneous Enterprise Repositories
本文介绍了 RECON，这是一种神经符号多智能体架构，它将确定性规则、模糊检测以及大语言模型推理与基于 YAML 的配方系统和防篡改审计相结合，旨在为异构企业仓库中的文档合规性审查提供可复现、可辩护且证据融合的解决方案。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在尝试拼凑一个巨大的拼图，但碎片散落在不同的房间里，有些是用隐形墨水写的，有些看起来虽然能对上，但形状其实稍微有点不对。对于试图遵守复杂规则（如数据隐私或金融安全法）的公司来说，这就是日常生活的现实。它们必须检查成千上万份文件——合同、银行账单和政策手册——以确保自己没有违规。
为了做到这一点，它们通常依赖两种类型的助手。第一种是“规则遵循者”，一个严格的计算机程序，专门寻找精确的词汇。它就像一个只认识“苹果”这个词的机器人，如果你称其为“脆甜、圆润的水果”，它就会错过这张红色的水果图片。第二种助手是“大脑袋”，一种能够理解语言和含义的人工智能。它擅长识别出“脆甜、圆润的水果”就是苹果，但有时它会感到困惑、编造事实，或者每次你问同样的问题时都会改变主意。目前的科学挑战在于，如何将这两种助手结合起来，让它们协同工作而不产生冲突，从而创造出一个既足够聪明能理解晦涩语言，又足够严谨能让监管机构信任的系统。
这就是名为 RECON 的新系统发挥作用的地方。把 RECON 想象成一个由五个专业代理组成的超级团队，它们协同工作来审计文档，设计初衷既要灵活又要坚不可摧。无需编写复杂的计算机代码来设置新规则，负责人只需编写一个简单的“食谱”文件（就像烹饪食谱一样，只不过是关于规则的）。这个食谱会告诉团队具体要寻找什么。
当团队开始审计时，它们不会仅仅靠猜测。它们使用三种不同的方式来发现问题，有点像同时使用金属探测器、放大镜和侦探的直觉。首先，“规则遵循者”扫描精确匹配项。其次，“模糊侦探”寻找那些几乎是正确单词的短语，捕捉那些虽然略有不同但仍可疑的内容。第三，“大脑袋”阅读上下文以理解含义。奇迹发生在它们合并笔记的时候。它们将所有的发现合并成一个列表，但非常小心，不会重复计算同一个问题。如果严格的机器人说“没问题”，但模糊侦探和大脑袋都说“这看起来有风险”，团队会信任证据最强的一方。
论文报告称，当他们在一个包含 43 份真实世界商业文档（包括合同和财务报告）的混合堆中测试该系统时，它发现了 57 个不同的问题。它的准确率极高，正确率（精确率）达到了 91%，同时捕捉到了 88% 的实际问题（召回率）。这意义重大，因为之前的系统通常必须做出选择：要么非常严格而错过隐藏的问题，要么非常灵活而产生错误。RECON 表明你可以两者兼得。
为了确保没有人可以作弊或事后更改结果，系统将工作的每一个步骤都记录在一个用特殊锁（SHA-256 哈希）链接在一起的数字“账本”中。如果有人试图偷偷抹除一个错误或更改判定，整个链条就会断裂，篡改行为会立即显现。这就像一本日记，每一页都粘在下一页上；如果你撕掉其中一页，整本书就会散架。
研究人员还在每个判定中加入了一个“置信度计”。如果系统只检查少量文档，它会说：“我很确定，但答案可能会有轻微波动。”如果它检查数百份文档，答案就会变得非常紧凑且精确。在他们的测试中，当查看一小批合同时，系统给出了一个带有宽泛不确定性范围的警告；但当查看全部 43 份文档时，它给出了一个具有非常窄的不确定性范围的具体失败评分。
这项研究表明，这种结合了严格规则、模糊匹配和智能 AI，并记录在防篡改日志中的方法，可以使检查文档变得更快、更可靠。然而，作者谨慎地指出，这是基于针对特定银行文档的试点测试。虽然结果看起来很有前景，但他们建议需要更多的测试，以观察它是否同样适用于每种类型的公司和每种类型的规则。他们还指出，该系统仍然需要人类来编写初始的“食谱”，因此尚未实现完全自动化，但它确实为人类更好地完成工作提供了一个强大的新工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。