Consensus-based Agentic Large Language Model Framework for Harmonized Tariff Schedule Code Classification
作者: Truong Thanh Hung Nguyen, Khanh Van Quynh Nguyen, Hoang-Loc Cao, Tri Duong, Phuc Ho, Van Pham, Loc Nguyen, Hung Cao
分类: cs.AI
发布日期: 2026-06-15
备注: Accepted at the 3rd International Conference of Resilience by Technology and Design (RTD 2026)
🔗 代码/项目: GITHUB
💡 一句话要点
提出基于共识的智能大型语言模型框架以解决关税编码分类问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 关税编码 大型语言模型 多代理系统 证据基础推理 人机协作 海事物流 智能港口
📋 核心要点
- 现有的关税编码分类方法面临产品描述短缺和模糊性的问题，导致准确分类困难。
- 本文提出的框架通过多代理信息检索和共识验证等技术，增强了关税编码的分类准确性和可解释性。
- 实验结果显示，尽管面临挑战，该框架在分类任务中表现出更高的可解释性和合规性，支持人机协作。
📝 摘要（中文）
准确的关税编码分类对于海事物流中的海关清关、关税评估、贸易统计和合规性至关重要。然而，由于产品描述通常简短、不完整或模糊，导致精确分类面临挑战。本文提出了一种用于加拿大10位关税编码分类的智能大型语言模型框架，该框架结合了多代理信息检索、官方关税文件的语义检索、基于证据的推理、共识验证、分层编码组件的逐项投票、置信度估计和人机协作。通过对3300个领域专家标注的产品记录进行评估，结果表明，即使对于先进的语言模型，精确的10位分类仍然困难，尤其是在从粗略的章节级预测到细粒度的关税和统计后缀分配时，性能下降明显。这些发现强调了需要基于证据、关注不确定性和以人为本的分类工作流程，而非完全自主的一步预测。
🔬 方法详解
问题定义：本文旨在解决海事物流中关税编码分类的准确性问题。现有方法在处理简短和模糊的产品描述时表现不佳，且缺乏对复杂关税结构的有效支持。
核心思路：提出的框架结合了多代理信息检索和基于证据的推理，利用共识验证和人机协作来提升分类的准确性和可解释性。这样的设计旨在应对现有方法的不足，特别是在处理复杂的关税编码时。
技术框架：整体架构包括多个模块：多代理信息检索用于获取相关信息，语义检索用于解析官方关税文件，证据基础推理用于支持决策，最后通过共识验证和逐项投票来确保分类结果的准确性。
关键创新：最重要的创新在于引入了共识验证和人机协作机制，使得分类过程不仅依赖于模型的自动化预测，还能结合人类专家的判断，从而提高了分类的准确性和透明度。
关键设计：框架中采用了分层投票机制，针对不同层级的关税编码进行逐项投票，并结合置信度估计来优化最终的分类结果。
🖼️ 关键图片
📊 实验亮点
实验结果表明，尽管面临挑战，提出的框架在10位关税编码分类任务中表现出更高的准确性，尤其是在复杂的分层编码组件中，显著提升了分类的可解释性和合规性。
🎯 应用场景
该研究的潜在应用领域包括海事物流、智能港口和关税管理等。通过提高关税编码分类的准确性和可解释性，能够有效支持海关清关、贸易合规及统计分析，进而提升整个物流链的效率和透明度。
📄 摘要（原文）
Accurate Harmonized Tariff Schedule (HTS) code classification is essential for customs clearance, duty assessment, trade statistics, and regulatory compliance in maritime logistics. However, exact HTS classification remains challenging because product descriptions are often short, incomplete, or ambiguous, while correct classification depends on hierarchical tariff structures, legal notes, and jurisdiction-specific rules. This paper proposes an agentic large language model (LLM) framework for Canadian 10-digit HTS code classification in smart-port and maritime logistics environments. The framework integrates multi-agent information retrieval, semantic retrieval over official tariff documents, evidence-grounded reasoning, consensus-based validation, element-wise voting across hierarchical code components, confidence estimation, and human-in-the-loop escalation. We evaluate the framework on a private dataset of 3,300 domain-expert-labeled product records collected from logistics and delivery contexts. Experimental results show that exact 10-digit classification remains difficult even for advanced LLMs, with performance decreasing from coarse chapter-level prediction to fine-grained tariff and statistical suffix assignment. These findings demonstrate the need for evidence-grounded, uncertainty-aware, and human-centered classification workflows rather than fully autonomous single-step prediction. The proposed framework supports more interpretable, accountable, and compliance-oriented HTS classification for maritime logistics and smart-port operations. Our code is available at https://github.com/Analytics-Everywhere-Lab/hts.