Graph Counselor: Adaptive Graph-Erkundung durch Multi-Agenten-Synergie zur Verbesserung des LLM-Denkens

Graph Counselor: Adaptive Graph Exploration via Multi-Agent Synergy to Enhance LLM Reasoning

June 4, 2025

Autoren: Junqi Gao, Xiang Zou, YIng Ai, Dong Li, Yichen Niu, Biqing Qi, Jianxing Liu

cs.AI

Zusammenfassung

Graph Retrieval Augmented Generation (GraphRAG) verbessert effektiv die Fähigkeiten zur Integration externen Wissens, indem es Wissensbeziehungen explizit modelliert und dadurch die faktische Genauigkeit und Generierungsqualität von Large Language Models (LLMs) in spezialisierten Domänen steigert. Allerdings weisen bestehende Methoden zwei inhärente Einschränkungen auf: 1) Ineffiziente Informationsaggregation: Sie verlassen sich auf einen einzelnen Agenten und feste iterative Muster, was es schwierig macht, mehrstufige textuelle, strukturelle und Grad-Informationen innerhalb von Graphdaten adaptiv zu erfassen. 2) Starres Reasoning-Mechanismus: Sie verwenden vordefinierte Reasoning-Schemata, die weder die Reasoning-Tiefe dynamisch anpassen noch eine präzise semantische Korrektur erreichen können. Um diese Einschränkungen zu überwinden, schlagen wir Graph Counselor vor, eine GraphRAG-Methode, die auf Multi-Agenten-Kollaboration basiert. Diese Methode nutzt das Adaptive Graph Information Extraction Module (AGIEM), in dem Planungs-, Denk- und Ausführungsagenten zusammenarbeiten, um komplexe Graphstrukturen präzise zu modellieren und Informationsextraktionsstrategien dynamisch anzupassen, wodurch die Herausforderungen der mehrstufigen Abhängigkeitsmodellierung und der adaptiven Reasoning-Tiefe bewältigt werden. Zusätzlich verbessert das Self-Reflection with Multiple Perspectives (SR)-Modul die Genauigkeit und semantische Konsistenz der Reasoning-Ergebnisse durch Selbstreflexion und Rückwärts-Reasoning-Mechanismen. Experimente zeigen, dass Graph Counselor bestehende Methoden in mehreren Graph-Reasoning-Aufgaben übertrifft und eine höhere Reasoning-Genauigkeit und Generalisierungsfähigkeit aufweist. Unser Code ist verfügbar unter https://github.com/gjq100/Graph-Counselor.git.

English

Graph Retrieval Augmented Generation (GraphRAG) effectively enhances external knowledge integration capabilities by explicitly modeling knowledge relationships, thereby improving the factual accuracy and generation quality of Large Language Models (LLMs) in specialized domains. However, existing methods suffer from two inherent limitations: 1) Inefficient Information Aggregation: They rely on a single agent and fixed iterative patterns, making it difficult to adaptively capture multi-level textual, structural, and degree information within graph data. 2) Rigid Reasoning Mechanism: They employ preset reasoning schemes, which cannot dynamically adjust reasoning depth nor achieve precise semantic correction. To overcome these limitations, we propose Graph Counselor, an GraphRAG method based on multi-agent collaboration. This method uses the Adaptive Graph Information Extraction Module (AGIEM), where Planning, Thought, and Execution Agents work together to precisely model complex graph structures and dynamically adjust information extraction strategies, addressing the challenges of multi-level dependency modeling and adaptive reasoning depth. Additionally, the Self-Reflection with Multiple Perspectives (SR) module improves the accuracy and semantic consistency of reasoning results through self-reflection and backward reasoning mechanisms. Experiments demonstrate that Graph Counselor outperforms existing methods in multiple graph reasoning tasks, exhibiting higher reasoning accuracy and generalization ability. Our code is available at https://github.com/gjq100/Graph-Counselor.git.