Graph Counselor: Esplorazione Adattiva di Grafi tramite Sinergia Multi-Agente per Potenziare il Ragionamento dei Modelli Linguistici di Grande Dimensione
Graph Counselor: Adaptive Graph Exploration via Multi-Agent Synergy to Enhance LLM Reasoning
June 4, 2025
Autori: Junqi Gao, Xiang Zou, YIng Ai, Dong Li, Yichen Niu, Biqing Qi, Jianxing Liu
cs.AI
Abstract
Il Graph Retrieval Augmented Generation (GraphRAG) migliora efficacemente le capacità di integrazione della conoscenza esterna modellando esplicitamente le relazioni tra le conoscenze, aumentando così l'accuratezza fattuale e la qualità della generazione dei Large Language Models (LLMs) in domini specializzati. Tuttavia, i metodi esistenti presentano due limitazioni intrinseche: 1) Aggregazione inefficiente delle informazioni: si basano su un singolo agente e su schemi iterativi fissi, rendendo difficile catturare in modo adattivo informazioni testuali, strutturali e di grado multilivello all'interno dei dati grafici. 2) Meccanismo di ragionamento rigido: utilizzano schemi di ragionamento predefiniti, che non possono adattare dinamicamente la profondità del ragionamento né ottenere una correzione semantica precisa. Per superare queste limitazioni, proponiamo Graph Counselor, un metodo GraphRAG basato sulla collaborazione multi-agente. Questo metodo utilizza il modulo Adaptive Graph Information Extraction Module (AGIEM), in cui gli agenti di Pianificazione, Pensiero ed Esecuzione lavorano insieme per modellare con precisione strutture grafiche complesse e adattare dinamicamente le strategie di estrazione delle informazioni, affrontando le sfide della modellazione delle dipendenze multilivello e della profondità di ragionamento adattiva. Inoltre, il modulo Self-Reflection with Multiple Perspectives (SR) migliora l'accuratezza e la coerenza semantica dei risultati del ragionamento attraverso meccanismi di auto-riflessione e ragionamento a ritroso. Gli esperimenti dimostrano che Graph Counselor supera i metodi esistenti in molteplici task di ragionamento su grafi, mostrando una maggiore accuratezza nel ragionamento e capacità di generalizzazione. Il nostro codice è disponibile all'indirizzo 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.