特定领域的标准规范和技术文档是构建领域本体的重要知识来源，但这些文档多以非结构化形式存在，术语密集、概念层级复杂，传统人工梳理与本体构建方式成本高昂。以大语言模型为代表的自然语言处理技术可以大幅提高知识抽取效率，但存在类别易漂移、结果缺乏可解释性等局限。本文提出一种面向战术数据链领域的可信知识自动化抽取与本体填充框架，融合大语言模型推理与外部知识增强技术，实现非结构化技术文档到结构化本体的自动转化。框架包含三项核心机制：一是本体约束的智能体抽取机制，以预定义本体类别为候选池约束抽取空间，抑制大模型类别漂移；二是动态外部知识增强模块，通过多级回退检索结合维基百科检索与受限大模型生成兜底，补充领域语义、缓解模型幻觉；三是证据—推理—结论人机互信链路，留存完整证据与推理脉络，将黑箱式抽取转化为可审查的灰盒流程。以 JTIDS/MIDS 系列文档开展验证，结果显示输出实体的结构挂载正确率达 88.24%，类别覆盖率为 100%，可稳定完成领域概念抽取与本体填充，且结果具备完整追溯依据，有效提升领域知识构建的效率与可信度。