Chatty-KG：面向知识图谱的多智能体对话式问答系统

知识图谱对话式问答 (KGQA) 将 KG 基础问答的事实依据与对话系统的交互性相结合。KG 在企业和领域应用中广泛用于提供结构化、动态且可靠的知识。大型语言模型 (LLM) 使对话具有自然性和情境感知性，但缺乏对私有和动态 KG 的直接访问。检索增强生成 (RAG) 系统可检索图内容，但常将结构序列化，难以处理多轮上下文，且需要大量索引。传统 KGQA 系统保留结构，但通常仅支持单轮问答，延迟高，且难以处理指代和上下文跟踪。为克服这些限制，我们提出 Chatty-KG，一个用于 KG 对话式问答的模块化多智能体系统。Chatty-KG 将 RAG 风格检索与结构化执行相结合，通过任务专用 LLM 智能体生成 SPARQL 查询。这些智能体协作进行情境解释、对话跟踪、实体和关系链接以及高效查询规划，实现将自然问题准确且低延迟地转换为可执行查询的能力。在大规模且多样化的 KG 上进行的实验表明，Chatty-KG 在单轮和多轮设置下均显著优于最先进的基线，实现更高的 F1 和 P@1 分数。其模块化设计保留对话连贯性，并支持无需微调或预处理的演化 KG。使用商业（如 GPT-4o、Gemini-2.0）和开源权重（如 Phi-4、Gemma 3）LLM 的评估确认了其广泛兼容性和稳定性能。总体而言，Chatty-KG 统一了对话式灵活性与结构化 KG 依据，提供了一个可扩展且可扩展的可靠方法，用于多轮 KGQA。