KnowCoder-V2：深度知识分析
人工智能
2025-06-10 v1
摘要
深度知识分析任务始终涉及从大量数据中系统性提取和关联知识，然后进行逻辑推理以发现洞见。然而，为了解决这些复杂任务，现有的深度研究框架面临三个主要挑战：1) 缺乏知识的系统性组织和管理；2) 仅 operate 在线，使得依赖共享和大规模知识的任务效率低下；3) 无法进行复杂知识计算，限制了其产生有洞察力分析结果的能力。针对这些问题，本文提出了一种\textbf{知}识\textbf{深}度\textbf研}架构 (\textbf{KDR})，以增强深度研究的深度知识分析能力。具体而言，它引入独立的知识组织阶段，用于离线预处理大规模、领域相关数据以形成系统性知识。基于此知识，它扩展深度研究，添加额外的推理步骤，以在线方式执行复杂知识计算。为增强 LLM 在上述框架中解决知识分析任务的能力，我们进一步引入\textbf{\KCII}，一种连接知识组织与推理的 LLM，通过统一代码生成实现。对于知识组织，它生成预定义类的实例化代码，将数据转换为知识对象。对于知识计算，它生成分析代码并在上述知识对象上执行，以获得深度分析结果。在超过三十个数据集上的六个知识分析任务的实验结果表明，\KCII 的有效性。此外，当集成到 KDR 框架中时，\KCII 能够生成高质量报告，提供具有洞察力的分析结果，优于主流深度研究框架。
引用
@article{arxiv.2506.06881,
title = {KnowCoder-V2: Deep Knowledge Analysis},
author = {Zixuan Li and Wenxuan Liu and Long Bai and Chunmao Zhang and Wei Li and Fenghui Zhang and Quanxin Jin and Ruoyun He and Zhuo Chen and Zhilei Hu and Fei Wang and Bingbing Xu and Xuhui Jiang and Xiaolong Jin and Jiafeng Guo and Xueqi Cheng},
journal= {arXiv preprint arXiv:2506.06881},
year = {2025}
}