グラフカウンセラー：マルチエージェントシナジーによる適応的グラフ探索によるLLM推論の強化

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

June 4, 2025

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

cs.AI

要旨

グラフ検索拡張生成（GraphRAG）は、知識関係を明示的にモデル化することで、外部知識の統合能力を効果的に強化し、専門領域における大規模言語モデル（LLM）の事実の正確性と生成品質を向上させます。しかし、既存の手法には2つの固有の制限があります：1）非効率な情報集約：単一のエージェントと固定された反復パターンに依存しており、グラフデータ内の多階層のテキスト、構造、および次数情報を適応的に捕捉することが困難です。2）硬直した推論メカニズム：事前に設定された推論スキームを採用しており、推論の深さを動的に調整することも、正確な意味的修正を達成することもできません。これらの制限を克服するために、我々はマルチエージェント協調に基づくGraphRAG手法であるGraph Counselorを提案します。この手法では、適応的グラフ情報抽出モジュール（AGIEM）を使用し、計画、思考、実行エージェントが協力して複雑なグラフ構造を正確にモデル化し、情報抽出戦略を動的に調整することで、多階層依存関係のモデリングと適応的推論深度の課題に対処します。さらに、多視点による自己反省（SR）モジュールは、自己反省と後方推論メカニズムを通じて、推論結果の正確性と意味的一貫性を向上させます。実験により、Graph Counselorが複数のグラフ推論タスクにおいて既存の手法を上回り、より高い推論精度と汎化能力を示すことが実証されました。我々のコードはhttps://github.com/gjq100/Graph-Counselor.gitで公開されています。

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.