通过知识图谱提升大语言模型API调用能力
人工智能
2025-07-16 v1 软件工程
摘要
大语言模型（LLM）的API调用为数据分析提供了前沿方法。然而，LLM在API调用中有效利用工具的能力在知识密集型领域（如气象学）中仍未得到充分探索。本文提出了KG2data系统，将知识图谱、LLM、ReAct智能体和工具使用技术集成，以在气象学领域实现智能数据获取和查询处理。通过虚拟API，我们评估了API调用准确率，包括名称识别失误、幻觉失误和调用正确性三个指标。KG2data的性能（1.43%、0%、88.57%）优于RAG2data（16%、10%、72.14%）和chat2data（7.14%、8.57%、71.43%）。KG2data不同于典型的LLM系统，旨在解决其对领域特定知识获取受限的问题，这会损害对复杂或术语丰富查询的性能。通过将知识图谱作为持久记忆，本系统提升了内容检索、复杂查询处理、领域特定推理、语义关系解析和异构数据集成。它还减轻了精细微调LLM的高成本，使系统更易适应不断变化的领域知识和API结构。总之，KG2data为知识需求高的领域提供了智能、基于知识的问答和数据分析新解决方案。
引用
@article{arxiv.2507.10630,
title = {Enhancing the Capabilities of Large Language Models for API calls through Knowledge Graphs},
author = {Ye Yang and Xue Xiao and Ping Yin and Taotao Xie},
journal= {arXiv preprint arXiv:2507.10630},
year = {2025}
}