SGR: A Stepwise Reasoning Framework for LLMs with External Subgraph Generation
本文介绍了SGR，这是一种逐步推理框架，它通过从外部知识库构建特定查询的子图，将多步推理建立在结构化事实证据之上，从而提升大语言模型在复杂任务中的表现。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象你有一位非常聪明、博览群书的朋友（即大型语言模型，或称 LLM），它能写出优美的故事并回答许多问题。然而，当你向它提出一个棘手的多步骤逻辑谜题时，它有时会迷失方向、编造事实，或走上错误的道路，因为它仅依赖自身的记忆。
本文介绍了SGR（逐步推理框架），这是一种新方法，旨在通过在该朋友开始思考之前为其提供一张量身定制的地图，帮助其解决难题。
以下是 SGR 的工作原理，使用简单的类比说明：
1. 问题：“幻觉”陷阱
将 LLM 想象成一位仅凭记忆寻找目的地的旅行者。如果旅程很短，他们尚能应付。但如果旅程需要五个特定的转弯，且可能经过一座并不存在的桥梁，他们为了继续前行，可能会猜测那座桥确实存在。这便导致了“幻觉”（编造事实）或逻辑错误。
2. 解决方案：构建定制的“子图”地图
SGR 不像让旅行者去猜测，而是扮演一位制图师的角色，专门为该问题绘制一张微型地图。
- 知识图谱：想象一个巨大的事实图书馆，其中每个事实都像蜘蛛网一样相互连接（实体 A 连接到实体 B）。
- 子图：当你提出一个问题时，SGR 不会浏览整个图书馆。它会从那张网中裁剪出一小块、与你的问题直接相关的特定部分。这就像从茂密的森林中取出一条清晰的路径，并将其平铺在桌面上供旅行者查看。
3. 三步流程
SGR 通过三个明确的阶段协助 LLM：
步骤 1：绘制地图（结构化子图生成）
系统审视你的问题，找出关键的“地标”（实体）和“道路”（关系），并构建一张小型的结构化地图。它过滤掉森林中所有的噪音和无关树木，只留下解决谜题所需的路径。步骤 2：逐步沿路前行（逐步推理）
LLM 不再直接跳跃到答案，而是被迫沿着这张定制地图的线条前行。它会检查：“好的，我在地标 A。地图显示我必须前往地标 B。这合理吗？”这阻止了模型跳过步骤或进行毫无根据的猜测。步骤 3：复核路线（协同推理）
有时，一条路径是不够的。SGR 可能会要求 LLM 在地图上尝试几条不同的路线。随后，它充当裁判的角色，检查最终答案是否真的符合地图的规则。如果 LLM 试图声称“答案是 X"，但地图显示 X 是不可能的，系统就会予以纠正。它结合不同路径的最佳部分，从而给出最可靠的答案。
4. 为何效果更佳
本文在多个困难问答挑战（如复杂的常识问答或逻辑谜题）上测试了该方法。
- 结果：SGR 始终优于其他方法，包括那些没有地图、仅进行对话的标准“智能”AI 模型。
- 优势：它提高了 AI 的准确性，降低了其编造事实的可能性。同时，它使 AI 的推理过程变得透明——你实际上可以看到地图以及它所采取的路径，而不仅仅是得到一个魔法般的答案。
5. 局限（注意事项）
本文承认，构建这些定制地图需要额外的时间和计算资源。这就像在每次旅行前都聘请一位制图师；虽然比直接猜测要慢，但准确性要高得多。此外，如果原始图书馆（知识图谱）中缺失了书籍或包含错误事实，那么地图就会有缺陷，旅行者仍会迷路。
总结：SGR 是一个框架，它通过为 AI 提供一张与问题相关的、经过事实核查的定制世界地图，阻止 AI 进行猜测，并迫使其逐步沿路前行，以确保答案的真实性。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。