Resumen: La generación aumentada de recuperación de gráficos (Graprag) mejora efectivamente las capacidades de integración del conocimiento externo mediante el modelado de relaciones de conocimiento explícitamente, mejorando así la precisión fáctica y la calidad de generación de modelos de idiomas grandes (LLM) en dominios especializados. Sin embargo, los métodos existentes sufren de dos limitaciones inherentes: 1) agregación de información ineficiente: dependen de un solo agente y patrones iterativos fijos, lo que dificulta la captura de forma adaptativa de información textual, estructural y de grado multinivel dentro de los datos gráficos. 2) Mecanismo de razonamiento rígido: emplean esquemas de razonamiento preestablecidos, que no pueden ajustar dinámicamente la profundidad de razonamiento ni lograr una corrección semántica precisa. Para superar estas limitaciones, proponemos Graph Counselor, un método Graphrag basado en la colaboración de múltiples agentes. Este método utiliza el Módulo de extracción de información de gráficos adaptativos (AGIEM), donde los agentes de planificación, pensamiento y ejecución trabajan juntos para modelar con precisión estructuras de gráficos complejos y ajustar dinámicamente las estrategias de extracción de información, abordando los desafíos del modelado de dependencia de niveles múltiples y la profundidad de razonamiento adaptativo. Además, la autorreflexión con múltiples perspectivas (SR) módulo mejora la precisión y la consistencia semántica de los resultados del razonamiento a través de la autorreflexión y los mecanismos de razonamiento hacia atrás. Los experimentos demuestran que el consejero gráfico supera a los métodos existentes en múltiples tareas de razonamiento de gráficos, que exhibe una mayor precisión de razonamiento y capacidad de generalización. Nuestro código está disponible en esta URL HTTPS.
Publicado Originalme en rss.arxiv.org El 4 de junio de 2025.
Ver Fuente Original
