具有知识图谱的代理 RAG 用于现实世界应用中的复杂多跳推理-计算机科学-人工智能-检索增强生成-推理.pdf

具有知识图谱的代理RAG用于现实世界应用中的复杂

多跳推理

aaa

JeanLelong,AdnaneErrazineandAnnabelleBlangero

aEkimetrics,France

摘要.传统的检索增强生成（RAG）系统增强了大型13]。INRAExplorer深入整合了KG查询作为核心代

语言模型，但在处理复杂查询时往往表现不佳，提供理能力，使其能够克服经典RAG单一通过和有限上

的答案通常是有限的、提取式的，并且难以实现多次有下文的性质。这种融合提供了精确的关系感知从KG

针对性的检索或处理复杂的实体关系。这是知识密集中检索的能力，并结合了由LLM驱动代理的自适应、

型领域的一个关键差距。我们介绍了INRAExplorer，多跳推理。

本这是一个用于探索法国国家农业食品与环境研究院虽然知识图谱与大语言模型的集成正在获得关

译（INRAE）科学数据的代理RAG系统。INRAExplorer注，但许多当前的方法主要通过在检索到的图形数据

采用基于大型语言模型的多工具架构智能体，通过一上执行一种复杂的映射减少总结形式来使用知识图谱

中个综合的知识图谱动态地参与丰富的知识库，该知识[1]。相比之下，INRAExplorer受到对更深层次推理需

1图谱来源于公开访问的INRAE出版物。这种设计使求（类似于人类调查过程）的启发，专注于使大语言模

v

7INRAExplorer能够进行迭代、有针对性的查询，检索型代理能够利用多种方式检索信息构建思维链。我们

0

5详尽的数据集（例如某作者的所有出版物），执行多跳的系统赋予代理在不同工具之间动态导航的能力，收

6推理，并提供结构化和全面的答案。INRAExplorer是集证据、评估中间发现并规划后续步骤。这使得IN-

1

.增强专业领域知识交互的具体示例。RAExplorer更像是一名人类研究员，仔细地将信息片

7

0段拼凑起来以构造一个全面而细致的答案，而不是简

5

21介绍单地总结预先存在的信息片段。

:

v有效的数字知识利用需要相关、全面且结构化的信

i2INRAExplorer:带有知识图谱的代理RAG

x息检索。虽然检索增强生成（RAG）将大型语言模型

r

a（LLMs）建立在精心策划的可信信息[5]上，但普遍存INRAExplorer是一个旨在实现并展示这种代理增强

在的架构——称为经典RAG——表现出关键限制。经的、知识图谱增强型RAG方法能力的系统。它采用了

典RAG通常通过向量搜索[4,2]检索一组有限的（前一个基于LLM的代理，协调一系列专门工具与混合知

k个）语义相似的文本片段来为LLM提供上下文。虽识库进行交互，特别针对现实世界科学数据探索的复

然这对锚定LLM响应和提取式问答很有价值，但这种杂性进行了定制。

“前k个片段”方法对于需要详尽列表、从多个不同数

据点合成信息或导航复杂关系路径（例如作者到出版2.1知识库构建

物再到资助项目）的查询往往不足。INRAExplorer的基础是一个综合知识库，该知识库由

为了解决这些不足，我们引入了INRAExplorer方INRAE的科研成果构建而成，重点关注2019年1月

法，该方法结合了用于动态推理的代理RAG[10]和用至2024年8月期间的出版物，并且仅限于开放存取文

于结构化、详尽检索的知识图谱(KG)增强型RAG[12,档。核心数据来自HAL（HyperArticlesenLigne）和

Table1.INRAE