本項目旨在研究如何利用預訓練的大型語言模型（LLMs）來建立一個自動化的中國HS碼推 薦系統。 準確地自動化 HS 代碼分配可以顯著減少關稅損失、合規錯誤和貿易延誤。 該應 用程式可以使涉及跨境貿易的海關當局、托運人和經紀人受益。 項目可以提升作為香港與 中國內地之間貿易中介的本地中小企業的競爭能力。該項目與政府倡議相關，旨在提升本 地物流和中小企業在進出口業務中的競爭力，特別是根據行政長官2022年政策演說（第44 、47和49節），強調香港作為「國際貿易中心」、「國際航運中心」和智能物流區域玩家 的角色。 過去，HS編碼參考描述的非結構化性質使傳統自動化方法繁瑣而困難。在測試LLMs處理細 微查詢、非結構化文本、上下文和其他信息以進行檢索增強時，我們發現某些流程使LLMs 能夠通過簡短的用戶輸入生成準確的HS碼。目前基於初步實驗測試, 最佳方法涉及逐步 （每次2位數）的檢索工作流程，通過上下文文本塊增強，與標准機器學習分類方法相比， 前四位數的準確性要高得多 (>92%)。 透過查詢LLM，此類上下文文本塊的決策規則也與2 022年HS編碼解釋（中國海關，第1卷，第1-3章）的90％以上匹配。 本項目提出測試各 種提示技術、檢索增強方法，研究多個LLMs（包括中國LLMs），以找到最佳表現者，優化 HS碼推導的流程準確性。 為了使HS 程式碼推薦工作流程自動化並作為服務運行，我們建議對原型進行以下工程開 發：[1] 將前綴特里樹作為更有效的資料結構來編碼分層HS 程式碼，以減少多層檢索回應 時間[ 2] 考慮到 LLM 的上下文視窗大小（~4000 個可用標記）有限，向量資料庫可以透過 更有效地儲存和檢索資料來幫助減少回應時間。 最後將建立聊天服務API，方便使用者互 動。 除了滿足準確性和回應時間以及可快速更新的目標外，我們 將在總結研究報告中， 報 告優化的處理架構以及三個大語言模型的性能和 HS 代碼推薦限制的比較。