그래프 카운슬러: 다중 에이전트 시너지를 통한 적응형 그래프 탐색으로 LLM 추론 강화

초록

그래프 검색 증강 생성(Graph Retrieval Augmented Generation, GraphRAG)은 지식 관계를 명시적으로 모델링함으로써 외부 지식 통합 능력을 효과적으로 향상시켜, 특수 분야에서 대규모 언어 모델(Large Language Models, LLMs)의 사실적 정확성과 생성 품질을 개선합니다. 그러나 기존 방법들은 두 가지 본질적인 한계를 가지고 있습니다: 1) 비효율적인 정보 집계: 단일 에이전트와 고정된 반복 패턴에 의존하여 그래프 데이터 내의 다중 수준 텍스트, 구조 및 차수 정보를 적응적으로 포착하기 어렵습니다. 2) 경직된 추론 메커니즘: 사전 설정된 추론 방식을 사용하여 추론 깊이를 동적으로 조정하거나 정확한 의미 수정을 달성할 수 없습니다. 이러한 한계를 극복하기 위해, 우리는 다중 에이전트 협업을 기반으로 한 GraphRAG 방법인 Graph Counselor를 제안합니다. 이 방법은 적응형 그래프 정보 추출 모듈(Adaptive Graph Information Extraction Module, AGIEM)을 사용하며, 계획(Planning), 사고(Thought), 실행(Execution) 에이전트가 협력하여 복잡한 그래프 구조를 정밀하게 모델링하고 정보 추출 전략을 동적으로 조정함으로써 다중 수준 의존성 모델링과 적응형 추론 깊이의 문제를 해결합니다. 또한, 다중 관점을 통한 자기 반성(Self-Reflection with Multiple Perspectives, SR) 모듈은 자기 반성과 역방향 추론 메커니즘을 통해 추론 결과의 정확성과 의미 일관성을 향상시킵니다. 실험 결과, Graph Counselor는 여러 그래프 추론 작업에서 기존 방법들을 능가하며 더 높은 추론 정확도와 일반화 능력을 보여줍니다. 우리의 코드는 https://github.com/gjq100/Graph-Counselor.git에서 확인할 수 있습니다.

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.

그래프 카운슬러: 다중 에이전트 시너지를 통한 적응형 그래프 탐색으로 LLM 추론 강화

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

초록

Support