Graph Counselor：通过多智能体协同的自适应图探索以增强LLM推理
人工智能
2025-06-05 v1 计算与语言
摘要
图检索增强生成(GraphRAG)通过显式建模知识关系有效增强了外部知识集成能力，从而提高了大型语言模型(LLMs)在专业领域中的事实准确性和生成质量。然而，现有方法存在两个固有局限：1)低效的信息聚合：它们依赖单一智能体和固定的迭代模式，难以自适应地捕获图数据中的多层次文本、结构和度信息。2)刚性的推理机制：它们采用预设的推理方案，无法动态调整推理深度，也无法实现精确的语义修正。为克服这些局限，我们提出了Graph Counselor，一种基于多智能体协作的GraphRAG方法。该方法使用自适应图信息提取模块(AGIEM)，其中规划、思考和执行智能体协同工作，精确建模复杂图结构并动态调整信息提取策略，解决了多层依赖建模和自适应推理深度的挑战。此外，多视角自反思(SR)模块通过自反思和反向推理机制提高了推理结果的准确性和语义一致性。实验表明Graph Counselor在多个图推理任务中优于现有方法，表现出更高的推理准确性和泛化能力。我们的代码可在https://github.com/gjq100/Graph-Counselor.git获取。
引用
@article{arxiv.2506.03939,
title = {Graph Counselor: Adaptive Graph Exploration via Multi-Agent Synergy to Enhance LLM Reasoning},
author = {Junqi Gao and Xiang Zou and YIng Ai and Dong Li and Yichen Niu and Biqing Qi and Jianxing Liu},
journal= {arXiv preprint arXiv:2506.03939},
year = {2025}
}
备注
Accepted by ACL 2025