RAG-KG-IL：融合RAG与增量知识图谱学习的多智能体混合框架以减少幻觉并提升LLM推理
计算与语言
2025-03-19 v1 人工智能
信息检索
摘要
本文提出了 RAG-KG-IL，一种新型多智能体混合框架，旨在通过整合检索增强生成（RAG）和知识图谱（KGs）以及增量学习（IL）方法，提升大型语言模型（LLM）的推理能力。尽管近期取得了显著进展，LLM在处理结构化数据、应对动态知识演化以及减轻幻觉方面仍面临重大挑战，尤其是在关键领域。我们的 RAG-KG-IL 框架通过采用多智能体架构实现持续知识更新、整合结构化知识，并纳入自主智能体以提升可解释性和推理能力。该框架利用 RAG 确保生成响应基于可验证信息，KGs 提供结构化领域知识以提高一致性和理解深度。增量学习方法允许在无需完全重新训练的情况下动态更新知识库，显著降低计算开销并提升模型的适应性。我们针对健康相关查询进行了实际案例研究，比较了 GPT-4o 与仅RAG的基线模型。实验结果表明，我们的方法显著降低了幻觉率，提高了答案完整性和推理准确性。结果凸显了将RAG、KGs和多智能体系统结合起来，以创建能够实现实时知识集成和复杂领域推理的智能、适应性强系统的潜力。
引用
@article{arxiv.2503.13514,
title = {RAG-KG-IL: A Multi-Agent Hybrid Framework for Reducing Hallucinations and Enhancing LLM Reasoning through RAG and Incremental Knowledge Graph Learning Integration},
author = {Hong Qing Yu and Frank McQuade},
journal= {arXiv preprint arXiv:2503.13514},
year = {2025}
}