Graph Counselor: Adaptieve Grafiekverkenning via Multi-Agent Synergie om LLM-Redenering te Verbeteren

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

Samenvatting

Graph Retrieval Augmented Generation (GraphRAG) verbetert effectief de mogelijkheden voor integratie van externe kennis door expliciet kennisrelaties te modelleren, waardoor de feitelijke nauwkeurigheid en generatiekwaliteit van Large Language Models (LLMs) in gespecialiseerde domeinen worden verbeterd. Bestaande methoden hebben echter twee inherente beperkingen: 1) Inefficiënte Informatieaggregatie: Ze vertrouwen op een enkele agent en vaste iteratieve patronen, waardoor het moeilijk is om adaptief multi-level tekstuele, structurele en graad-informatie binnen grafiekgegevens vast te leggen. 2) Rigide Redeneermechanisme: Ze gebruiken vooraf ingestelde redeneerschema's, die niet dynamisch de redeneerdiepte kunnen aanpassen noch precieze semantische correctie kunnen bereiken. Om deze beperkingen te overwinnen, stellen we Graph Counselor voor, een GraphRAG-methode gebaseerd op multi-agent samenwerking. Deze methode gebruikt de Adaptive Graph Information Extraction Module (AGIEM), waarbij Planning, Thought en Execution Agents samenwerken om complexe grafiekstructuren nauwkeurig te modelleren en informatie-extractiestrategieën dynamisch aan te passen, waardoor de uitdagingen van multi-level afhankelijkheidsmodellering en adaptieve redeneerdiepte worden aangepakt. Daarnaast verbetert de Self-Reflection with Multiple Perspectives (SR) module de nauwkeurigheid en semantische consistentie van redeneerresultaten door zelfreflectie en achterwaartse redeneermechanismen. Experimenten tonen aan dat Graph Counselor bestaande methoden overtreft in meerdere grafiekredeneertaken, met een hogere redeneernauwkeurigheid en generalisatievermogen. Onze code is beschikbaar op 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.