Graph Counselor: Адаптивное исследование графов через синергию мультиагентных систем для улучшения рассуждений в больших языковых моделях
Graph Counselor: Adaptive Graph Exploration via Multi-Agent Synergy to Enhance LLM Reasoning
June 4, 2025
Авторы: Junqi Gao, Xiang Zou, YIng Ai, Dong Li, Yichen Niu, Biqing Qi, Jianxing Liu
cs.AI
Аннотация
Графовое извлечение и генерация с расширением знаний (GraphRAG) эффективно повышает возможности интеграции внешних знаний за счет явного моделирования отношений между ними, что улучшает фактическую точность и качество генерации крупных языковых моделей (LLM) в специализированных областях. Однако существующие методы страдают от двух фундаментальных ограничений: 1) Неэффективная агрегация информации: они полагаются на единственного агента и фиксированные итеративные шаблоны, что затрудняет адаптивное захват многоуровневой текстовой, структурной и степенной информации в графовых данных. 2) Жесткий механизм рассуждений: они используют предустановленные схемы рассуждений, которые не могут динамически регулировать глубину рассуждений или достигать точной семантической коррекции. Для преодоления этих ограничений мы предлагаем Graph Counselor, метод GraphRAG, основанный на многоагентном взаимодействии. Этот метод использует модуль адаптивного извлечения графовой информации (AGIEM), где агенты планирования, мышления и выполнения совместно работают для точного моделирования сложных графовых структур и динамической настройки стратегий извлечения информации, решая задачи многоуровневого моделирования зависимостей и адаптивной глубины рассуждений. Кроме того, модуль саморефлексии с множественными перспективами (SR) повышает точность и семантическую согласованность результатов рассуждений за счет механизмов саморефлексии и обратного рассуждения. Эксперименты показывают, что Graph Counselor превосходит существующие методы в различных задачах графового рассуждения, демонстрируя более высокую точность рассуждений и способность к обобщению. Наш код доступен по адресу 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.