科学技术与应用

基于LLM的税务知识智能问答系统研究

黎 栋梁

华东理工大学 信息科学与工程学院

文 颖

华东理工大学 信息科学与工程学院

伍 照生

大象慧云信息技术有限公司

郑 显斌

大象慧云信息技术有限公司

DOI: https://doi.org/10.59429/kxjsyy.v3i2.13838

Keywords: 大语言模型；税务知识库；检索增强生成；工具调用；多智能体

---

Abstract

针对税务政策更新快、专业性强、人工咨询效率偏低等问题，提出一种基于大语言模型的税务知识智能问答 系统设计方案。系统采用“知识库检索增强 + 工具调用执行 + 多智能体协同”的总体思路，在税务政策文档、法规 条款、办税指引和常见问题数据基础上构建税务知识库，通过分段切分、向量化编码和重排序机制完成政策知识获 取；在回答生成阶段，引入工具调用完成法规检索、条件校验和规则计算，在复杂任务场景下进一步采用多智能体 协同完成任务拆解、政策比对、结果审校与答复生成。研究给出了系统总体架构、检索增强方法、工具执行机制与 多智能体流程设计，并结合典型税务业务对系统运行过程进行了分析。结果表明，该方案能够提升税务咨询的响应 效率、结果依据性和业务处理稳定性，可为企业用户和财税人员提供可扩展的智能税务服务支持。

---

References

[1] Brown T, Mann B, Ryder N, et al. Language models are few-shot learners[J]. Advances in neural information processing systems, 2020, 33: 1877-1901.

[2] Lewis P, Perez E, Piktus A, et al. Retrieval-augmented generation for knowledge-intensive nlp tasks[J]. Advances in neural information processing systems,2020, 33: 9459-9474.

[3] Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[J]. Advances in neural information processing systems,2017, 30.

[4] Yao S, Zhao J, Yu D, et al. React: Synergizing reasoning and acting in language models[C]//The eleventh international conference on learning representations. 2022.

[5] Wu Q, Bansal G, Zhang J, et al. Autogen: Enabling next-gen LLM applications via multi-agent conversations[C]//First conference on language modeling. 2024.

[6] Li G, Hammoud H, Itani H, et al. Camel: Communicative agents for "mind" exploration of large language model society[J].Advances in neural information processing systems, 2023, 36:51991-52008.