本文介绍了题为《Knowledge-Guided LLM for Intent-Driven Service Orchestration in Integrated Terrestrial and Non-Terrestrial 6G Networks》（面向天地一体化6G网络中意图驱动服务编排的知识引导型大语言模型）的一篇论文。该论文于2026年10月7日提交至arXiv，第一作者为Wajdi Hammami，另有两名合著者，全文共17 KB。论文归入计算与语言（cs.CL）分类，编号为arXiv:2610.33007v1，并已通过DataCite获得arXiv签发的DOI（https://doi.org/10.48550/arXiv.2610.33007）。
论文关注的核心问题是：在天地一体化（TN/NTN）6G网络中，用户以自然语言表达的服务意图往往不完整、含义模糊或前后矛盾。若直接让大语言模型自由生成，产出的内容难以直接用于面向网络的可靠编排。为解决这一问题，作者提出了一个知识引导型大语言模型框架。该框架包含两个关键组件：一是语法约束的语义解析，用于把自然语言意图转换为结构化的中间表示；二是由知识图谱（KG）驱动的澄清循环，在意图存在缺口或冲突时向用户提出有针对性的问题。经过这两步处理，系统输出的服务配置文件已通过验证，可直接供编排使用，并覆盖四个具有代表性的服务类别。
在评估方面，作者构建了一个包含200条样本的意图数据集。在该数据集上，框架取得了89%的分类准确率和95%的策略有效性，每个请求平均只需0.66轮澄清交互。与纯大语言模型基线相比，该框架在提升策略有效性和矛盾检测能力的同时，所需的澄清轮次更少。作者据此论证：显式引入知识引导推理，有助于在天地一体化6G编排场景中实现更加稳健的意图处理。
从技术角度看，这项工作的价值在于把大语言模型从“开放式生成器”转变为受约束的编排组件：语法约束降低了输出空间的自由度，知识图谱则提供了领域事实与一致性校验的依据，使系统能够识别意图之间的矛盾，而非默默产出不合法或不可执行的策略。论文的局限性在于实验规模较小，数据集仅含200条样本，且仅覆盖四类服务；摘要中也未详细说明知识图谱的构建方式、基线模型的规格，以及在不同网络条件下框架的表现。该论文目前仅发布了预印本，并提供PDF、实验性HTML和TeX源码等访问形式。