Helicase — 不确定性感知供应链知识图谱：多 Agent 自主构建

1. 解决的问题

Helicase 是一个自主多 Agent LLM 系统，将高层供应链查询（如"某奶粉品牌的原料来源"）分解为可执行调查计划，通过专业 Agent 协作增量构建带不确定性标注的知识图谱。名字来源于生物学的螺旋酶——螺旋式展开 DNA，隐喻系统通过迭代循环逐层揭示知识。

2. 核心算法逻辑

Helicase 是一个自主多 Agent LLM 系统，将高层供应链查询（如"某奶粉品牌的原料来源"）分解为可执行调查计划，通过专业 Agent 协作增量构建带不确定性标注的知识图谱。名字来源于生物学的螺旋酶——螺旋式展开 DNA，隐喻系统通过迭代循环逐层揭示知识。

3. 业务应用场景

业务问题：母婴品牌（奶粉/辅食）需追踪"原料→供应商→工厂→认证机构"多跳关系，人工调研一家供应商需 3-5 天，百家供应商无法覆盖。监管（FDA/欧盟 CE）和消费者对溯源透明度要求日增。

数据要求： - 初始查询：品牌名 + 核心 SKU（如"xxx 有机奶粉 A2 蛋白"） - 公开数据源：FDA 供应商数据库、企业官网 SEC/工商披露、LinkedIn 公司主页、新闻数据库

预期产出： - KG 节点：原料名称、供应商公司、工厂地址、认证机构、认证编号、有效期 - KG 边：供应关系（置信度 0.0-1.0）、认证关系、地理关系 - 高不确定性节点自动标注（uncertainty_score > 0.7 → 触发人工复核）

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

• ROI 预估：
• 供应商尽调周期 5 天/家 → 2 小时/家，节省 80% 人工成本（按 10 人·5 天/月 = 50 人·天，节省 40 人·天/月 ≈ 8 万元/月）
• 召回风险发现时效从 2 周 → 48 小时，避免违规上架处罚（平均罚款 $5,000-$50,000/次）
• 新品类合规预审时间降低 75%（3 天 → 4 小时）
• 实施难度：⭐⭐⭐☆☆
• 需要 LLM API 调用能力（GPT-4/Claude）和 Web 搜索工具集成

7. 代码模板

代码块数量：2 · 路径：未检测到

"""
Helicase Supply Chain KG MAS — 不确定性感知供应链知识图谱多 Agent 构建
arXiv:2605.26835 | Python 3.14+ | 仅标准库，无需额外安装

参考论文: Helicase: Uncertainty-Guided Supply Chain Knowledge Graph
Construction with Autonomous Multi-Agent LLMs
"""
from __future__ import annotations

import json
import math
import random
from dataclasses import dataclass, field
from typing import Any


# ── 数据结构 ──────────────────────────────────────────────────────────────────

@dataclass
class KGNode:
    """知识图谱节点（含不确定性评分）"""
    node_id: str
    entity_type: str           # supplier / ingredient / factory / certifier / product
    name: str
    attributes: dict[str, Any] = field(default_factory=dict)
    uncertainty_score: float = 0.5   # 0=确定，1=高度不确定
    sources: list[str] = field(default_factory=list)
    last_verified: str = ""


@dataclass
class KGEdge:
    """知识图谱边（含不确定性评分）"""
    edge_id: str
    from_node: str
    to_node: str
    relation_type: str         # supplies / certified_by / manufactured_at / recalled_for
    confidence: float = 0.5   # 关系置信度 0-1
    uncertainty_score: float = 0.5
    evidence: list[str] = field(default_factory=list)


@dataclass
class InvestigationTask:
    """调查子任务"""
    task_id: str
    query: str
    target_entity: str
    priority: float = 0.5
    status: str = "pending"   # pending / running / done


# ── 三层不确定性跟踪器 ────────────────────────────────────────────────────────

class UncertaintyTracker:
    """
    三层不确定性量化框架：
    - action_uncertainty:     单步工具调用结果置信度
    - trajectory_uncertainty: 多轮推理链路累积不确定性
    - memory_uncertainty:     KG 节点时效性和来源可信度

8. 论文来源

• 2605.26835