SymAgent：一种神经符号自学习代理框架，用于知识图谱上的复杂推理

文章预览

摘要 最近的进展表明，大型语言模型（LLMs）在解决复杂推理问题时容易出现幻觉，导致错误结果。为解决这一问题，研究人员结合知识图谱（KGs）以提高LLMs的推理能力。然而，现有方法面临两个限制：1）它们通常假设问题的所有答案都包含在KGs中，忽略了KGs的不完整性问题；2）它们将KG视为静态的知识库，忽略了KGs中固有的隐含逻辑推理结构。本文介绍了SymAgent，一种创新的神经符号代理框架，实现了KGs与LLMs之间的协同增强。我们将KGs概念化为动态环境，并将复杂推理任务转化为多步骤交互过程，使KGs能够深入参与推理过程。SymAgent由两个模块组成：代理规划器和代理执行器。代理规划器利用大型语言模型（LLM）的归纳推理能力从知识图谱（KGs）中提取符号规则，指导高效的问题分解。代理执行器自主调用预定义的动作工具来整合来自知识图谱 ………………………………