Graph Counselor: Exploração Adaptativa de Grafos via Sinergia Multiagente para Aprimorar o Raciocínio de LLMs
Graph Counselor: Adaptive Graph Exploration via Multi-Agent Synergy to Enhance LLM Reasoning
June 4, 2025
Autores: Junqi Gao, Xiang Zou, YIng Ai, Dong Li, Yichen Niu, Biqing Qi, Jianxing Liu
cs.AI
Resumo
O Graph Retrieval Augmented Generation (GraphRAG) aprimora efetivamente as capacidades de integração de conhecimento externo ao modelar explicitamente as relações de conhecimento, melhorando assim a precisão factual e a qualidade de geração dos Large Language Models (LLMs) em domínios especializados. No entanto, os métodos existentes sofrem de duas limitações inerentes: 1) Agregação Ineficiente de Informação: Eles dependem de um único agente e de padrões iterativos fixos, dificultando a captura adaptativa de informações textuais, estruturais e de grau em múltiplos níveis dentro de dados gráficos. 2) Mecanismo de Raciocínio Rígido: Eles empregam esquemas de raciocínio pré-definidos, que não podem ajustar dinamicamente a profundidade do raciocínio nem alcançar correção semântica precisa. Para superar essas limitações, propomos o Graph Counselor, um método GraphRAG baseado na colaboração de múltiplos agentes. Este método utiliza o Módulo de Extração Adaptativa de Informação Gráfica (AGIEM), onde os Agentes de Planejamento, Pensamento e Execução trabalham juntos para modelar com precisão estruturas gráficas complexas e ajustar dinamicamente as estratégias de extração de informação, abordando os desafios da modelagem de dependências em múltiplos níveis e da profundidade de raciocínio adaptativa. Além disso, o módulo de Auto-Reflexão com Múltiplas Perspectivas (SR) melhora a precisão e a consistência semântica dos resultados do raciocínio por meio de mecanismos de auto-reflexão e raciocínio reverso. Experimentos demonstram que o Graph Counselor supera os métodos existentes em múltiplas tarefas de raciocínio gráfico, exibindo maior precisão de raciocínio e capacidade de generalização. Nosso código está disponível em 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.