บทความนี้สำรวจสถาปัตยกรรมรุ่นต่อไปที่ผสาน Retrieval‑Augmented Generation (RAG), Graph Neural Networks (GNN) และกราฟความรู้แบบรวมศูนย์ เพื่อให้ได้หลักฐานที่แม่นยำและเรียลไทม์สำหรับแบบสอบถามด้านความปลอดภัย เรียนรู้ส่วนประกอบหลัก, รูปแบบการบูรณาการ, และขั้นตอนปฏิบัติที่เป็นรูปธรรมเพื่อสร้างเอนจินจัดลำดับหลักฐานแบบไดนามิกที่ลดความพยายามด้วยมือ, ปรับปรุงการตรวจสอบความสอดคล้อง, และปรับตัวทันทีต่อการเปลี่ยนแปลงกฎระเบียบ

บทความนี้แนะนำกรอบงานการปรับแต่ง Prompt ที่เรียนรู้ด้วยตนเองซึ่งทำการปรับปรุง Prompt ของโมเดลภาษาใหญ่ (LLM) อย่างต่อเนื่องเพื่อการอัตโนมัติของแบบสอบถามด้านความปลอดภัย โดยผสานรวมเมตริกการทำงานแบบเรียลไทม์ การตรวจสอบโดยมนุษย์ในลูป และการทดสอบ A/B อัตโนมัติ ลูปนี้ช่วยให้ได้ความแม่นยำของคำตอบสูงขึ้น เวลาตอบกลับเร็วขึ้น และการปฏิบัติตามที่ตรวจสอบได้—ซึ่งเป็นประโยชน์หลักสำหรับแพลตฟอร์มเช่น Procurize