LLM推理精度：基于学科域语义路由的推理框架构造方法

摘要

在160次API调用实验中，通过将教育部14门类学科分类体系映射为LLM推理的认知路由层——在推理前自动识别输入文本涉及的学科域、提取该域的分析框架、结构化注入推理提示词——在不修改模型参数、不增加调用次数的情况下，将单次推理的物质还原比例从36.6%（泛化"专家"角色扮演）提升至61.4%，提升幅度达67.5%。跨轮次标准差0.166，效果高度稳定。

一、猜想

1.1 大学已经把人类知识分好了

现有的提示词工程方法——角色扮演、few-shot优化、思维链格式——都在做一件事：改变模型如何使用知识的方式。 但它们不回答一个更前置的问题：这个输入文本涉及哪些领域的知识？

一个朴素的观察：现代高等教育体系经过数百年的演化，已经将人类知识组织为14个学科门类、117个一级学科。每个学科有自己独特的问题定义方式、分析框架和推理规则。城市规划学用路网密度和用地性质分析空间问题，经济学用供需弹性和边际成本分析资源配置，法学用构成要件和法律条文分析权利义务关系。

这门类体系本身就是一个经过验证的规则集合。 它不是随意划分的——它是教育部组织了几十年、经过无数专家论证的知识分类体系。每一门学科之所以成为独立学科，是因为它发展出了一套其他学科无法替代的分析框架。

猜想：如果把这套分类体系做成LLM推理时的认知路由层——输入一个问题，自动匹配到对应的学科域，用那个学科的框架去构造推理提示词——推理质量是否会显著提高？

1.2 不是角色扮演，是分析工具

这里有一个关键的区分。目前市面上最接近的做法是Cointab semantic-router的"Domain Aware System Prompts"——根据查询分类自动注入域特定的system prompt，如math→"You are a mathematician"，coding→"You are a software engineer"。但这仍然是角色扮演——它告诉模型"你是谁"，不告诉模型"用什么工具"。

本方法的核心不同在于：提取的不是身份标签，而是分析维度和推理规则。不是"你是一个经济学家"（角色声明），而是"经济学(0202): 供需弹性分析、边际成本计算、信息不对称评估"（分析工具列举）。

这就像给模型一把手术刀而不是给它一件白大褂——告诉它用什么工具，而不是让它扮演什么身份。

1.3 三层激活架构：主激活域与背景域

进一步的猜想是：仅靠主激活域的分析框架可能不够。很多时候，问题的正确答案不在主激活域的默认因果模型里。

考虑这个场景：政府拖欠工程款诉讼。输入文本涉及工程合同纠纷。自动路由激活法学（合同违约）和经济学（成本收益）。法学框架下得出的结论是"违约→索赔→诉讼"——因果模型被锁定在合同纠纷的法律范式内。

但这个因果模型在现实中是错的。承包方不敢告政府（行业内非正式"黑名单"），告赢了也不敢执行（政府账户受行政法保护），真正的原因不在"不守信用"而在"财政周期+官员轮换导致付钱的人跟签字的人不是同一个人"。这个问题需要政治学（官员激励、财政转移支付时序）、公共管理学（科层制支付流程的7个环节博弈）、社会学（发包方与承包方的权力不对称）的分析视角。

由此引入背景域的概念：这些域不提供正面分析维度（不替代法学对合同条款的分析），但通过将其学科视角注入推理上下文来改变主激活域默认的因果归因模型——从"合同违约"转变为"科层制财政行为+官员激励+权力不对称→支付链条系统性断裂"。

主激活域决定用什么工具分析。背景域决定这个问题到底是什么问题。

二、学科分类体系

2.1 为什么是教育部分类

选择教育部分类作为语义路由的基础框架，基于以下理由：

第一，它是完整的。 14门类覆盖了人类知识的全部主干领域——从数学到哲学、从医学到艺术学、从计算机科学到公共管理。不存在一个现实问题完全落在这套分类体系之外。

第二，它是权威的。 这117个一级学科的划分经过了几十年的学术论证和政府审定。它不是一家公司或一个团队临时编造的标签系统。

第三，它是结构化的。 每个学科都有二级学科方向（括号内的子领域）——这些子领域可以直接扩展为更精细的路由维度。例如0301法学包含法学理论、法律史、宪法与行政法、刑法、民商法、诉讼法、经济法、环境法、国际法等多个子方向。

第四，它是可生长的。 教育部的学科目录定期修订（最近一次为2022年）。新出现的交叉学科（如智能科学与技术1405、国家安全学1402、数字经济学1409）被正式纳入——这意味着路由框架本身可以随人类知识的演化而扩展。

2.2 举例的117域分类树（非完整版本，完整可参考教育部专业目录）

自然科学门类

07 理学
├── 0701 数学（基础数学、计算数学、概率论与数理统计、应用数学、运筹学与控制论）
├── 0702 物理学（理论物理、粒子物理与原子核物理、凝聚态物理、光学、声学）
├── 0703 化学（无机化学、分析化学、有机化学、物理化学、高分子化学与物理）
├── 0704 天文学（天体物理、天体测量与天体力学）
├── 0705 地理学（自然地理学、人文地理学、地图学与地理信息系统）
├── 0706 大气科学（气象学、大气物理学与大气环境）
├── 0707 海洋科学（物理海洋学、海洋化学、海洋生物学、海洋地质）
├── 0708 地球物理学（固体地球物理学、空间物理学）
├── 0709 地质学（矿物学/岩石学/矿床学、地球化学、构造地质学）
├── 0710 生物学（植物学、动物学、生理学、微生物学、神经生物学、遗传学、细胞生物学、生物化学与分子生物学）
├── 0711 系统科学（系统理论、系统分析与集成）
├── 0712 科学技术史
├── 0713 生态学
└── 0714 统计学（数理统计、应用统计、统计学习、模式识别、因果推断）

社会科学门类

01 哲学
└── 0101 哲学（马克思主义哲学、中国哲学、外国哲学、逻辑学、伦理学、美学、宗教学、科学技术哲学）

02 经济学
├── 0201 理论经济学（政治经济学、经济思想史、西方经济学、世界经济、人口/资源与环境经济学）
└── 0202 应用经济学（国民经济学、区域经济学、财政学、金融学、产业经济学、国际贸易学、劳动经济学、数量经济学）
     └── 博弈论（策略互动、纳什均衡、激励设计、承诺机制）— 应用经济学的子方法

03 法学
├── 0301 法学（法学理论、法律史、宪法学与行政法学、刑法学、民商法学、诉讼法学、经济法学、环境与资源保护法学、国际法学）
├── 0302 政治学（政治学理论、中外政治制度、国际政治、国际关系、外交学）
├── 0303 社会学（社会学、人口学、人类学、民俗学）
├── 0304 民族学
├── 0305 马克思主义理论
├── 0306 公安学
├── 0307 中共党史党建学
└── 0308 纪检监察学

上述分类体系共覆盖部分个学科门类，一级学科节点，可根据实际情况进行增删。每个节点存储三个独立字段：

三、实验设计

3.1 四个实验条件

C4是核心对照组。它验证：如果域路由只是让模型"更认真"，那么C4（泛化专家角色扮演）的效果应该接近甚至等于C1。如果C1显著优于C4，说明域路由提供的是结构性的分析框架变化，而非简单的"更努力"。

3.2 自动路由流水线

C1条件的system prompt通过以下自动化流水线生成：

S1a 分词与解码。 将输入文本通过LLM的分词器分词→对每个token调用decode()还原为原文文本片段。例如中文分词可能将"监管/部门"切分为两个独立token，解码后还原回连续的原文"监管部门"——消除分词粒度对关键词匹配的干扰。

S1b 关键词集遍历匹配。 遍历每个解码词，与学科分类树中所有节点的关键词字段逐一匹配。引入上下文邻域窗口——将当前解码词前后各k个词（k≥1）拼接为匹配单元。例如"数据安全法"在分词后可能被切分为"数据"/"安全"/"法"三个token——仅匹配"数据"会命中多个域，而邻域拼接的"数据安全法"精确命中法学域。匹配方式可以是精确匹配、编辑距离模糊匹配或语义向量相似度匹配。

S1c 命中统计与排序。 统计每个学科域节点的关键词命中总次数，降序排列。例如Q1"15分钟生活圈"输入文本的命中统计：城乡规划学(0833): 8次；区域经济学(0202): 7次；公共管理学(1204): 6次；社会学(0303): 5次；法学(0301): 2次；其余约115个域: 0次。

S1d 主激活域选取。 从排名中选取前2至5个域。选取规则可以是：固定值k=3；命中次数≥最大命中×50%（如上例，社会学5次≥8×50%，入选；法学2次<4次，不入选）；或基于输入文本长度动态调整（<500字取前2，≥500字取前3-5）。

S1e 分析维度模板提取。 从分类树的各主激活域节点中提取analysis_dimensions和analysis_rules字段。例如从上例的四个主激活域中分别提取：0833城乡规划学→["空间布局约束: 分析既有城市肌理对新设施嵌入的空间限制", "用地性质匹配: 检查规划设施类型与所在地块用地性质的一致性", ...]；0202应用经济学→["公共资源空间配置效率", "成本收益结构", "规模经济门槛"]；等等。

步骤S2 推理框架提示词构造。 将S1e提取的分析维度按域分组、按命中次数降序排列，附加物质还原指令，组装为完整的system prompt：

分析以下问题时，请运用以下学科分析框架进行推衍：

城乡规划学(0833): 空间布局约束、用地性质匹配、设施分布标准、路网密度评估
社会学(0303): 社区动力学、利益相关方行为模式、服务均等化的社会维度
区域经济学(0202): 公共资源空间配置效率、成本收益结构、规模经济门槛
公共管理学(1204): 政策可行性评估、治理结构分析、实施机制

推理要求：
1. 每个核心断言必须给出可观测的物质对应物（数字、百分比、价格、法律条文编号、物理量或统计指标）
2. 不可使用缺乏物质定义的抽象概念作为推理前提

步骤S3 单次推理提交。 将上述system prompt与输入文本合并，通过API单次提交给LLM。注意：(a)不修改模型参数；(b)不增加调用次数；(c)生成的是单路径推理输出。

3.3 四道跨域测试题

3.4 质量度量：物质还原比例

实验使用物质还原比例（R/P/U编码）作为推理质量的客观度量。将输出逐句分为三类：

• R（可还原断言）： 含数字、百分比、金额、法条编号、物理量、统计指标——可映射到物质世界的可观测对应物。例："步行15分钟半径约1.0-1.25km"、"加装电梯费用40-70万元/部"。
• P（部分可还原断言）： 含可还原成分但与抽象判断混合。例："15分钟生活圈将提升居民幸福感"。
• U（不可还原断言）： 政策口号、空洞评价、抽象术语堆叠——无任何物质对应物。例："这需要多方协同、系统推进"。

R比例 = R / (R+P+U)。

这个度量不判断答案"对不对"，而是判断答案"有多实在"——用了多少可量化的证据而非空洞的抽象套话。

3.5 实验规模

4道题 × 4条件 × 10轮重复 = 160次API调用。
模型：DeepSeek V4 Pro（Anthropic兼容API）。
max_tokens=1024。单次调用。

四、实验结果

4.1 物质还原比例（5轮汇总，n=160）

4.2 关键对比

C4的R比例（36.6%）甚至低于C2（42.8%）。 "以专家身份深入分析"不仅没有提升物质还原，反而诱发了更多抽象化、空洞化的"专家口吻"表述。角色扮演让模型说更多废话，不是说更实在的话。

4.3 稳定性

C1跨轮次R比例标准差σ=0.166——10轮实验中R比例在57.6%-68.2%之间窄幅波动。这不是随机采样的偶然——域路由的效果是系统性的。

4.4 按问题分解

问题的学科域交叉维度越多，域路由的效果越显著。 Q4（加装电梯，同时交叉法律、经济、管理、社会学四个领域）的C1-C4差距达33.4个百分点——C1的R比例是C4的2倍。Q3（直播带货，本质上是经济学为主的单域问题）差距仅14.4个百分点。

4.5 错误路由的"域错配"现象

C3（错误路由）的结果揭示了一个重要现象。以Q4加装电梯为例：强制路由到"机械工程"域后，模型生成了精确的电梯载重参数（630-1000kg）、速度规格（1.0-1.5m/s）、井道尺寸（≥2.2m×2.4m）、振动频率（10-50Hz）——R比例不低。但对"业主意见不统一""资金筹措困难""政策审批复杂"这三个输入文本中明确提出的核心障碍——完全缺位。

模型在任何域框架下都能生成自洽且"精确"的输出。 域路由的作用不是让模型"更精确"，而是让精确性投向正确的目标域。错误的域路由产生"精确但无关"的输出——R比例可以很高，但高在无关的维度上。

4.6 响应速度

C1比C4快10.4%。域框架prompt虽然增加了约23个输入token，但更清晰的推理方向使模型生成更快——路由的前置开销被推理效率的提升所覆盖。

五、结论

5.1 域路由有效——且不是"更努力"效应

C1 vs C4的ΔR=+24.9pp, C1是C4的1.7倍。C4用角色扮演让模型"更认真地说废话"，C1用学科框架让模型"使用正确的分析工具"。二者不是程度差异——是结构差异。

5.2 错误路由造成真实伤害

C3的R比例比C1低17个百分点。且出现了"域错配"——模型在错误域内依然可以自洽，但分析维度偏离了问题的核心。域路由的精度直接影响推理质量。

5.3 跨域问题是域路由的最大价值场景

学科域交叉维度越多，域路由效果越显著。这意味着域路由的核心价值不在于提升单学科的推理精度，而在于帮助LLM处理跨领域复杂问题——而这正是LLM相比人类专家最薄弱的环节。

5.4 方法论层面的启示

在LLM推理中，"激活哪个领域的知识"可能比"prompt怎么写"更重要。 当前的prompt engineering方法论专注于措辞优化、示例选择、思维链格式——这些都在"如何让模型更有效地使用已有知识"的层面。本实验表明，在"使用什么知识"这个前置步骤上做出正确的路由决策，边际收益大于prompt措辞的优化。

5.5 技术开放

本文公开的方法——包括完整的117域分类体系、S1a-S1e五步自动路由流水线、三层激活架构（主激活/背景/沉默）、以及物质还原比例（R/P/U）质量度量框架——均可自由使用、修改和实施。