在政策研究中，海量非结构化的政策文本蕴含丰富的价值。然而，它们复杂的语义和去中心化特性使得通过传统分析方法全面探索它们变得困难。本研究创新地提出了基于大型语言模型（LLM）和知识图谱的策略智能分析框架，并通过引入提示机制（QKV向量引导）优化模型训练过程，显著提升语义理解的准确性并有效减少模型错觉。首先，采用域自适应方法清理策略文本，并结合BERT模型预训练生成标准语义特征;随后，构建了“政策-机构-主题”三元知识图谱，以实现政策元素的视觉关联推理。系统采用分层架构设计，前端基于React实现交互式检索接口，后端集成Neo4j图数据库和Qwen-Max大模型，支持智能问答和策略关联分析。实验显示，该方法显著提高了策略元素提取的准确性和问答响应的效率。研究结果为政策制定者和研究人员提供了高效的分析工具，有助于详细理解政策的内涵和相关性。