PersonalAI 2.0：通过规划机制增强面向个性化 LLM 代理的知识图谱遍历/检索
计算与语言
2026-05-14 v1
摘要
我们引入 PersonalAI 2.0（PAI-2），一种新型框架，旨在通过集成外部知识图谱（KG）来增强基于大型语言模型（LLM）的系统。该方法解决了现有 Graph Retrieval-Augmented Generation（GraphRAG）方法的关键局限性，通过纳入动态、多阶段查询处理管道。PAI-2 设计的核心是其能够进行自适应、迭代的信息搜索，由提取的实体、匹配的图顶点和生成的线索查询所指引。对六大基准（Natural Questions、TriviaQA、HotpotQA、2WikiMultihopQA、MuSiQue 和 DiaASQ）的实施评估表明，与类方法（LightRAG、RAPTOR 和 HippoRAG 2）相比，PAI-2 在生成答案的事实正确性方面取得了改进。PAI-2 相对于各类方法实现了 4% 的平均提升，由 LLM-as-a-Judge 评估四个基准，反映其在降低幻觉率和提高精度方面的效果。我们表明，使用图遍历算法（如 BeamSearch、WaterCircles）平均比标准展平检索器获得 6% 的优势，而启用搜索计划增强机制可实现约 18% 的提升，由 LLM-as-a-Judge 在六个数据集上评估。此外，消融研究显示 PAI-2 在 MINE-1 基准上达到 SOTA 结果， achieving 89%的信息保留得分，使用来自 7-14B 级别的 LLM。总体而言，这些发现凸显了 PAI-2 作为下一代个性化 AI 应用基础模型的潜力，要求具备可扩展、上下文感知的知识表示和推理能力。
引用
@article{arxiv.2605.13481,
title = {PersonalAI 2.0: Enhancing knowledge graph traversal/retrieval with planning mechanism for Personalized LLM Agents},
author = {Mikhail Menschikov and Matvey Iskornev and Alexander Kharitonov and Alina Bogdanova and Mikhail Belkin and Ekaterina Lisitsyna and Artyom Sosedka and Victoria Dochkina and Ruslan Kostoev and Ilia Perepechkin and Evgeny Burnaev},
journal= {arXiv preprint arXiv:2605.13481},
year = {2026}
}