LLMs 是否能生成建筑设计决策？—— 一项探索性实证研究
内容提要
该文综述大语言模型辅助决策研究：E-KELL系统通过构建紧急情况知识图谱并引导推理提升应急决策；分析影响模型辅助决策的技术、心理与信任因素；提出DeLLMa框架，将决策与效用理论结合，使准确率提高40%；并涵盖LLM在软件工程、自动驾驶、材料分析、医学微调及检索增强生成等领域的应用与优化。
延伸解读
从辅助到决策：LLM 在专业场景中的角色演进
文章梳理的多个案例显示，LLM 正从简单的文本生成工具转向专业决策的辅助组件。E-KELL 通过知识图谱引导推理，DeLLMa 结合决策与效用理论，自动驾驶中 LLM 作为决策组件与低级控制器集成。这些尝试的共同点是将 LLM 嵌入结构化流程，而非直接依赖其原始输出。这提示读者，LLM 的决策价值可能更多来自系统设计，而非模型本身。
信任与心理因素：被忽视的决策影响变量
文章特别指出，信任或依赖语言模型、用户的心理模型以及信息处理特征，是影响 LLM 辅助决策的重要方面。这意味着即使模型技术指标提升，实际决策质量仍可能受用户认知与交互方式制约。对于计划引入 LLM 辅助决策的组织，除了评估模型准确率，还需关注用户如何理解、信任和审查模型建议，并据此设计更有效的接口与协作流程。
DeLLMa 的启示：用决策理论约束 LLM 的不确定性
DeLLMa 框架将决策理论和效用理论的原则引入多步骤脚手架过程，使 LLM 决策准确率提高 40%，并提供可人类审查的优化过程。这一结果说明，在不确定环境中，单纯扩大模型规模未必足够，将领域理论（如效用函数、决策规则）显式融入推理流程，可能更有效地提升决策可靠性。读者可关注此类“理论引导+LLM”的混合范式在自身领域的适用性。
应用广度与评估挑战：从软件工程到医学的差异化表现
文章涵盖 LLM 在软件工程、自动驾驶、材料分析、医学微调及检索增强生成等领域的应用。软件工程中 LLM 擅长早期代码结构与调试，医学领域则需注入领域知识并微调。不同场景对 LLM 的能力要求、评估方式和风险容忍度差异显著。读者在借鉴这些案例时，需注意场景匹配度，避免将某一领域的成功经验直接迁移到决策后果更严重的领域。
Q&A
E-KELL系统是如何提升应急决策支持的？
E-KELL系统通过构建结构化的紧急情况知识图谱，并引导大型语言模型在此基础上进行推理，从而提供基于证据的紧急情况决策，取得了显著的改进和可靠的应急决策支持。
哪些因素会影响大型语言模型辅助决策的过程？
影响大型语言模型辅助决策的因素包括技术、心理和决策特定因素。研究发现，信任或依赖语言模型、用户的心理模型以及信息处理的特征是重要方面。
DeLLMa框架如何提高大型语言模型的决策性能？
DeLLMa框架通过多步骤的脚手架过程，结合决策理论和效用理论的原则，提供一种优化且可由人类审查的决策过程，从而显著提高LLM的决策性能，使准确率提高了40%。
大型语言模型在软件工程中有哪些实际应用？
大型语言模型在软件工程中可用于生成基础代码结构和语法、错误调试等早期开发阶段，能提高软件工程学生的生产力，并强调教育重点转向人工智能协作的必要性。
大型语言模型如何应用于自动驾驶场景？
利用大型语言模型作为决策组件，通过认知路径和行为翻译算法，在复杂自治驾驶场景中综合人类常识推理，将决策与低级控制器无缝集成，通过参数矩阵适应实现行为指令执行，在单一和多车辆任务中均优于基准方法。
检索增强生成（RAG）模型在生成式人工智能服务中解决了什么问题？
RAG模型通过增强信息存储和检索过程，解决数据匮乏挑战，确保改进的内容生成，促进企业内部利用LLM服务的实际应用。
