增强元认知 AI：基于图论 LLM 丰富的知识图谱填充
人工智能
2026-05-19 v1
摘要
元认知——即监控自身知识状态、发现知识空白并自主填补的能力——在现代 AI 中仍属缺失。本文提出 MetaKGEnrich，一个完全自动化的管道，为大语言模型（LLM）应用提供自主知识修复能力。系统（i）从种子查询构建知识图谱，（ii）通过七种图度量检测稀疏区域，（iii）让 GPT-4o 生成针对性问题，（iv）使用 Tavily 检索网络证据并输入 Neo4j，（v）使用 GraphRAG 为 GPT-4 重新回答查询进行评估。测试于来自 Google Research Natural Questions、MS MARCO 和 Hot-potQA 三个广泛使用的数据集的 30 个查询。MetaKGEnrich 在 HotpotQA 问题中提升了 80% 的答案质量，在 Google Research Natural Questions 中提升了 87%，在 MS MARCO 中提升了 83%，同时保留了 well-supported 区域。该概念验证性工作证明了拓扑自诊断加上针对性检索如何推动 AI 向类人元认知学习迈进。
引用
@article{arxiv.2605.16676,
title = {Enhancing Metacognitive AI: Knowledge-Graph Population with Graph-Theoretic LLM Enrichment},
author = {Deniz Askin and Gal Hadar and Brendan Conway-Smith},
journal= {arXiv preprint arXiv:2605.16676},
year = {2026}
}