GraphWalker：基于合成轨迹课程的智能体知识图谱问答
计算与语言
2026-04-07 v2
摘要
智能体知识图谱问答（KGQA）要求智能体迭代地与知识图谱（KGs）交互，在训练数据稀缺和推理泛化方面面临挑战。具体而言，现有方法往往限制智能体探索：基于提示的方法缺乏自主导航训练，而当前的训练流水线通常将推理限制在预定义的轨迹上。为此，本文提出了 GraphWalker，一个新型的智能体 KGQA 框架，通过自动轨迹合成和分阶段微调来解决这些挑战。GraphWalker 采用两阶段 SFT 训练范式：第一阶段，智能体在从约束随机游走路径合成的结构多样的轨迹上进行训练，建立对 KG 的广泛探索先验；第二阶段，智能体在一小套专家轨迹上进一步微调，以发展反思和错误恢复能力。大量实验表明，我们的分阶段 SFT 范式为轻量级强化学习（RL）阶段解锁了更高的性能上限，使 GraphWalker 在 CWQ 和 WebQSP 上取得了最先进性能。在 GrailQA 和我们构建的 GraphWalkerBench 上的额外结果证实了 GraphWalker 增强了对分布外推理路径的泛化能力。代码公开获取于 https://github.com/XuShuwenn/GraphWalker
引用
@article{arxiv.2603.28533,
title = {GraphWalker: Agentic Knowledge Graph Question Answering via Synthetic Trajectory Curriculum},
author = {Shuwen Xu and Yao Xu and Jiaxiang Liu and Chenhao Yuan and Wenshuo Peng and Jun Zhao and Kang Liu},
journal= {arXiv preprint arXiv:2603.28533},
year = {2026}
}