基于知识图谱的代理RAG用于复杂多跳推理的实际应用
人工智能
2026-03-27 v1 信息检索
摘要
传统的检索增强生成(RAG)系统虽然增强了大语言模型(LLM)，但在处理复杂查询时常常不堪一击，仅能提供有限的提取式答案，难以进行多目标检索或处理复杂的实体关系。这是知识密集型领域的关键性缺口。我们引入了INRAExplorer，一个用于探索INRAE(法国国家农业、食品和环境研究所)科学数据的代理RAG系统。INRAExplorer采用基于LLM的代理，具备多工具架构，可动态地通过从公开的INRAE出版物中派生的全面知识图谱进行丰富的知识库交互。这种设计使INRAExplorer能够进行迭代的、有针对性的查询，检索完整的数据集（例如，检索某位作者的所有出版物），进行多跳推理，并提供结构化、全面的答案。INRAExplorer作为增强特定领域知识交互的具体示例。
引用
@article{arxiv.2507.16507,
title = {Agentic RAG with Knowledge Graphs for Complex Multi-Hop Reasoning in Real-World Applications},
author = {Jean Lelong and Adnane Errazine and Annabelle Blangero},
journal= {arXiv preprint arXiv:2507.16507},
year = {2026}
}
备注
ECAI 2025 demo track, 4 pages