Graph Counselor : Exploration Adaptative de Graphes via Synergie Multi-Agents pour Améliorer le Raisonnement des LLM
Graph Counselor: Adaptive Graph Exploration via Multi-Agent Synergy to Enhance LLM Reasoning
June 4, 2025
Auteurs: Junqi Gao, Xiang Zou, YIng Ai, Dong Li, Yichen Niu, Biqing Qi, Jianxing Liu
cs.AI
Résumé
La Génération Augmentée par Récupération de Graphes (GraphRAG) améliore efficacement les capacités d'intégration de connaissances externes en modélisant explicitement les relations de connaissances, améliorant ainsi la précision factuelle et la qualité de génération des Grands Modèles de Langage (LLMs) dans des domaines spécialisés. Cependant, les méthodes existantes souffrent de deux limitations inhérentes : 1) **Aggrégation d'Information Inefficace** : Elles reposent sur un seul agent et des schémas itératifs fixes, rendant difficile la capture adaptative d'informations textuelles, structurelles et de degré multi-niveaux dans les données de graphes. 2) **Mécanisme de Raisonnement Rigide** : Elles utilisent des schémas de raisonnement prédéfinis, incapables d'ajuster dynamiquement la profondeur de raisonnement ni d'effectuer des corrections sémantiques précises. Pour surmonter ces limitations, nous proposons **Graph Counselor**, une méthode GraphRAG basée sur la collaboration multi-agents. Cette méthode utilise le **Module d'Extraction Adaptative d'Information de Graphes (AGIEM)**, où les agents de Planification, de Réflexion et d'Exécution travaillent ensemble pour modéliser précisément les structures de graphes complexes et ajuster dynamiquement les stratégies d'extraction d'information, abordant ainsi les défis de la modélisation des dépendances multi-niveaux et de la profondeur de raisonnement adaptative. De plus, le module **Auto-Réflexion avec Perspectives Multiples (SR)** améliore la précision et la cohérence sémantique des résultats de raisonnement grâce à des mécanismes d'auto-réflexion et de raisonnement rétrospectif. Les expériences démontrent que **Graph Counselor** surpasse les méthodes existantes dans plusieurs tâches de raisonnement sur graphes, affichant une précision de raisonnement et une capacité de généralisation supérieures. Notre code est disponible à l'adresse suivante : 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.