Pandora：一种面向多样化结构化知识的统一推理的代码驱动大型语言模型智能体

统一结构化知识推理 (USKR) 旨在通过使用诸如表格、数据库和知识图等结构化来源来回答自然语言问题 (NLQ)。现有的 USKR 方法要么依赖于任务特定的策略，要么使用自定义定义的表示，这些方法难以在不同 SKR 任务之间实现知识迁移，也难以与 LLM 的先验条件相吻合，从而限制了其性能。本文提出了一种新的 USKR 框架，命名为 \textsc{Pandora}，该框架利用 \textsc{Python} 的 \textsc{Pandas} API 构建统一的知识表示，以与 LLM 预训练过程对齐。它采用 LLM 为每个问题生成文本推理步骤和可执行的 Python 代码。从训练示例中提取的演示案例涵盖 various SKR 任务，促进知识迁移。在涉及三种 SKR 任务的四个基准上的大量实验表明，\textsc{Pandora} 在现有统一框架和任务特定方法之间取得了优异的性能。