CoG：基于知识图谱上关系蓝图与失败感知优化的可控图推理

大型语言模型 (LLMs) 展现出了卓越的推理能力，但经常面临诸如幻觉等可靠性挑战。虽然知识图谱 (KGs) 提供了显式的基础，但现有的 KG 增强 LLM 范式通常表现出认知僵化——应用同质的搜索策略，使其在邻域噪声和结构错位下容易出现不稳定性，从而导致推理停滞。为了应对这些挑战，我们提出了 CoG，这是一个受双过程理论启发的免训练框架，模拟了直觉与深思熟虑之间的相互作用。首先，作为快速、直觉的过程，关系蓝图指导模块利用关系蓝图作为可解释的软结构约束，以快速稳定搜索方向以抵抗噪声。其次，作为谨慎、分析的过程，失败感知优化模块在遇到推理僵局时进行干预。它触发证据条件的反思并执行受控回溯以克服推理停滞。在三个基准上的实验结果表明，CoG 在准确性和效率方面均显著优于最先进的方法。