摘要
事故报告详细记录了环境原因、不安全的人类行为以及由此引发的连锁反应。这些记录是分析事故机制和探索生产安全过程中潜在风险模式的重要资源。目前，基于图谱的检索增强生成（RAG）技术将大型语言模型（LLMs）与知识图谱（KGs）相结合，成为处理大量非结构化事故文档时进行复杂因果问题回答的领先方法。然而，该技术在生产安全领域的应用仍面临两大主要挑战。首先，使用单一粒度构建知识图谱无法捕捉详细的案例细节和宏观层面的标准系统；其次，传统的单步检索方式无法追踪深层因果链或解释多因素耦合的复杂逻辑。为了解决这些问题，我们提出了CausalAgent，这是一个用于生产安全隐患报告因果问题回答的层次化图谱增强多智能体框架。该框架创新性地结合了层次化因果图（HC-Graph）和多智能体协作推理（MACR）机制。具体而言，HC-Graph采用双层架构，将细粒度实例层与国家标准因果层相连，以解决语义粒度上的冲突。MACR机制通过四个专门智能体的顺序协作，将复杂的自然语言查询转换为可执行的结构化查询和逻辑验证步骤，这些智能体包括图谱解析智能体（Graph Parsing Agent）、问题分析智能体（Problem Analysis Agent）、查询生成智能体（Query Generation Agent）和推理洞察智能体（Reasoning Insight Agent）。CausalAgent能够深入挖掘事故原因机制，并为数据驱动的风险评估和应急决策提供科学、稳健且可解释的智能支持。在真实事故数据集上的实验表明，CausalAgent的查询执行速率和推理准确率均表现出色，在绝对准确性方面超越了当前最佳水平（SOTA）。
