Consejero de Grafos: Exploración Adaptativa de Grafos mediante Sinergia Multiagente para Mejorar el Razonamiento de los LLM
Graph Counselor: Adaptive Graph Exploration via Multi-Agent Synergy to Enhance LLM Reasoning
June 4, 2025
Autores: Junqi Gao, Xiang Zou, YIng Ai, Dong Li, Yichen Niu, Biqing Qi, Jianxing Liu
cs.AI
Resumen
La Generación Aumentada por Recuperación de Grafos (GraphRAG) mejora eficazmente las capacidades de integración de conocimiento externo al modelar explícitamente las relaciones de conocimiento, mejorando así la precisión factual y la calidad de generación de los Modelos de Lenguaje de Gran Escala (LLMs) en dominios especializados. Sin embargo, los métodos existentes presentan dos limitaciones inherentes: 1) Agregación de Información Ineficiente: Dependen de un único agente y patrones iterativos fijos, lo que dificulta la captura adaptativa de información textual, estructural y de grado a múltiples niveles dentro de los datos de grafos. 2) Mecanismo de Razonamiento Rígido: Utilizan esquemas de razonamiento preestablecidos, que no pueden ajustar dinámicamente la profundidad del razonamiento ni lograr una corrección semántica precisa. Para superar estas limitaciones, proponemos Graph Counselor, un método GraphRAG basado en la colaboración de múltiples agentes. Este método utiliza el Módulo de Extracción Adaptativa de Información de Grafos (AGIEM), donde los Agentes de Planificación, Pensamiento y Ejecución trabajan conjuntamente para modelar con precisión estructuras de grafos complejas y ajustar dinámicamente las estrategias de extracción de información, abordando los desafíos del modelado de dependencias a múltiples niveles y la profundidad de razonamiento adaptativa. Además, el módulo de Auto-Reflexión con Múltiples Perspectivas (SR) mejora la precisión y consistencia semántica de los resultados del razonamiento mediante mecanismos de auto-reflexión y razonamiento inverso. Los experimentos demuestran que Graph Counselor supera a los métodos existentes en múltiples tareas de razonamiento en grafos, exhibiendo una mayor precisión en el razonamiento y capacidad de generalización. Nuestro código está disponible en 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.