AutoSchema: Live Schema Grounding for Agentic Text-to-Sparql over Heterogeneous Knowledge Graphs

想象一下，科学互联网就像一座巨大而混乱的图书馆，其中的每一本书都用不同的语言编写，使用各自独特的分类系统，并且每一位图书管理员都说着一种无人能懂的方言。这就是生命科学领域中**知识图谱（Knowledge Graphs）**的现状。科学家们拥有的不是一个单一的巨型数据库，而是成千上万个专门化的“图谱”（事实的数字地图），涵盖了基因、疾病和药物等领域。每个图谱都是信息的宝库，但它们的构建方式各不相同。一个图谱可能将某种药物称为“药物 A”，而另一个则称其为“化合物 X”，并且它们将这些药物与疾病关联的方式也完全不同。

要向计算机提问，例如“哪些药物可以治疗这种特定的癌症？”，你需要将你的自然语言翻译成一种名为 SPARQL 的严格的、计算机可读的代码。这就像是试图向图书管理员借书，但你必须知道精确的杜威十进制分类号、特定的书架代码，以及目录中作者姓名的精确拼写。如果你哪怕出了一丁点差错，计算机也会返回空结果。多年来，解决方案是让人类（或聪明的 AI）为每一座图书馆编写一份庞大且完美的“参考指南”，然后才能开始提问。但如果图书馆的架子在夜间之间发生了变化呢？或者如果这是一个从未有人见过的全新图书馆呢？这正是本文所要解决的问题：一个计算机代理如何在不需要预先编写手册的情况下，在身处图书馆内部的同时，摸索出这座图书馆的规则？

该论文介绍了一个名为 AutoSchema 的新框架，它扮演着这些科学图书馆中一位超级聪明、充满好奇心的侦探的角色。AutoSchema 不再等待人类编写一份静态的“参考指南”（作者称之为 MIE 文件，该指南可能会过时），而是让 AI 代理直接进入“实时”数据库并四处窥探。当代理产生疑问时，它不会去猜测规则，而是直接询问数据库：“嘿，你的书架叫什么名字？这个基因怎么拼写？这个药物是如何与那个疾病联系起来的？”它会在提问的瞬间，实时收集这些证据。

研究人员使用各种棘手的生物医学问题，将这位“侦探”与旧方法（依赖于那些预先编写的参考指南）进行了对比测试。他们发现 AutoSchema 通常能找到更正确的答案。在涉及基因和疾病的测试中，新方法比旧方法更频繁地获得正确的事实，且犯错更少。它还使用了更少的“工具调用”（即向数据库提问的尝试次数更少），并且不容易陷入死循环。作者指出，这种方法在处理杂乱、不规则或尚无参考指南的全新数据库时尤其有用。然而，他们也谨慎地指出，虽然结果令人鼓舞，但在他们的测试中，“桥接（bridge）”功能（用于连接两个不同图书馆的功能）并未被频繁使用，仍需更多实验来确保它在每种场景下都能完美运行。

简而言之，这篇论文认为，与其依赖一张可能错误或过时的静态预设地图，我们不如让 AI 代理进行实地探索。通过将问题建立在数据库当前的实际状态之上，它们可以更准确、更高效地在复杂的生命科学数据景观中进行导航。这是一种从“背诵地图”到“边走边识地形”的转变。