KG-Agent : Un Framework d'Agent Autonome Efficace pour le Raisonnement Complexe sur les Graphes de Connaissance

Dans cet article, nous visons à améliorer la capacité de raisonnement des grands modèles de langage (LLMs) sur les graphes de connaissance (KGs) pour répondre à des questions complexes. Inspirés par les méthodes existantes qui conçoivent la stratégie d'interaction entre les LLMs et le KG, nous proposons un framework d'agent basé sur LLM autonome, appelé KG-Agent, qui permet à un petit LLM de prendre activement des décisions jusqu'à ce qu'il termine le processus de raisonnement sur les KGs. Dans KG-Agent, nous intégrons le LLM, une boîte à outils multifonctionnelle, un exécuteur basé sur KG et une mémoire de connaissance, et développons un mécanisme d'itération qui sélectionne de manière autonome l'outil puis met à jour la mémoire pour le raisonnement sur le KG. Pour garantir l'efficacité, nous utilisons le langage de programmation pour formuler le processus de raisonnement multi-saut sur le KG, et synthétisons un ensemble de données d'instructions basé sur du code pour affiner le LLM de base. Des expériences approfondies démontrent qu'en utilisant seulement 10K échantillons pour le réglage de LLaMA-7B, nous pouvons surpasser les méthodes de pointe utilisant des LLMs plus grands ou plus de données, à la fois sur des ensembles de données dans le domaine et hors domaine. Notre code et nos données seront publiés publiquement.