Schema-Agnostic Graph Reasoning Agent for Hybrid Knowledge Graphs
本文介绍了 GRA，一种利用通用工具调用来导航文本与表格混合知识图谱的模式无关型智能体，并证明了在回答复杂的工业查询时，选择性的、按需的数据访问显著优于详尽的上下文喂送。
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
在现代人工智能的世界里，机器越来越多地被要求通过阅读海量信息来解决问题。想象一位图书管理员，必须回答一个关于拥有数百万本书籍的图书馆的具体问题。一种方法是在尝试回答之前，把每一本书从头到尾读一遍。另一种方法是给图书管理员一套简单的工具——一种查看卡片目录的方法、一种走到特定书架的方法，以及只阅读相关页面的方法。这种第二种方法依赖于这样一个理念：机器可以学习如何在复杂的结构中进行导航，而无需预先记住所有内容。这正是构建能够对知识图谱（连接事实、概念和数据表的数字化地图）进行推理的智能体（agents）所面临的核心挑战。目标是创建一个能够从庞大且不断变化的动态网络中寻找正确信息的系统，就像人类专家那样，而不是试图将整个网络强行塞进一个单一且令人难以承受的记忆槽中。
Oplit 的研究人员开发了一种名为 GRA（图推理智能体，Graph Reasoning Agent）的新系统，用以测试这种导航方法与更传统方法的对比。他们构建了一个模拟工厂环境，其中包含其运营的数字孪生体，包括关于产品制造的规则、订单数据以及机器性能记录。这个被称为“统一工厂知识模型”（Unified Factory Knowledge Model）的环境包含了数百个分析性问题，这些问题需要系统通过连接不同的信息片段来寻找特定答案。有些问题要求简单的数字，而另一些问题则要求系统理解复杂的规则，例如：考虑到工厂当前的状况，一个新的生产计划是否可行。研究人员想要观察，一个通过使用一小组通用工具逐步探索该数字工厂的智能体，是否能比一个仅仅是被喂入整个工厂手册和数据库模式（schema）的智能体表现得更好。
团队测试了处理此任务的三种不同方式。第一种方法，他们称之为“全上下文方法”（full-context approach），即在开始之前，将工厂的所有描述（包括每张表和每条规则）全部倾倒进人工智能的记忆中。这就像是在问一个问题之前，就把整个图书馆的目录和建筑里的每一本书都交给了图书管理员。第二种方法完全移除了地图，仅给智能体提供一份文本文件和表格列表，让其进行搜索，但没有提供它们之间的任何关联。第三种方法是 GRA，它给了智能体七个简单的工具：它可以列出附近的内容、阅读特定项目的详情、搜索关键词、搜索含义、运行数据库查询、思考计划，最后给出答案。至关重要的一点是，智能体并不知道表格或规则的名字，它必须通过使用这些工具来探索图谱，从而发现它们。
结果显示，那个逐步导航图谱的智能体比那个试图一次性阅读所有内容的智能体更准确。在 258 个问题的测试集中，导航型智能体的正确率达到了 88.4%，而全上下文智能体的正确率为 83.3%。更重要的是，导航型智能体在实现更高准确率的同时，阅读的信息量不到全上下文智能体的三分之一。这表明，对于复杂任务，少看一点但更有选择性地看会更好。那个试图阅读一切的智能体经常被海量的文本所淹没，而导航型智能体则只专注于解决当前问题所需的特定数据片段。
研究人员还发现，这种导航方法的成功高度依赖于智能体所使用工具的可靠性。当人工智能模型擅长遵循指令并在使用工具时不出错时，导航方法表现得非常好。然而，当模型难以正确使用工具时，这种优势就会消失，而一次性阅读所有内容的方法表现得更好。这表明，导航图谱带来的好处来自于能够精准获取所需信息的能力，但这只有在智能体能够被信任并能正确获取信息时才有效。研究发现，图谱本身的结构并不是改进的主要原因；相反，改进源于选择性访问信息这一行为。即使在移除图谱并让智能体搜索扁平化文本时，它仍然优于全上下文方法，这证明了关键在于寻找信息的策略，而非阅读全部内容。
为了展示这在现实场景中是如何运作的，研究人员展示了智能体如何处理来自工厂操作员的请求。操作员询问是否可以遵循一项特定规则：即铝制框架应在周一于两个特定工作站之一进行焊接。智能体无法立即得出答案。它首先在数字地图中查找焊接工作站。它发现其中一个工作站实际上仅限于焊接碳钢框架，这是一个并非从操作员请求中直接体现、而是存储在图谱中的规则。这立即排除了一个选项。随后，智能体检查了另一个工作站，并计算了它是否有足够的时间处理工作量。它将标准时间估算值与实际历史数据进行了对比，发现实际工作时间比预期更长，使得该请求在当天无法实现。智能体返回了一个明确的拒绝，解释了无法遵循该规则的两个具体原因，并甚至提出了两种修复计划的方法。
在第二个例子中，一名操作员询问是否可以将装配线的换色次数限制在每班次三次以内。智能体再次通过导航图谱来查找班次的定义和过去的生产记录。它回放了十个月的历史记录，以观察该限制被打破的频率。它发现，在极少数日子里，该限制会被突破，但这种情况并不频繁，不足以使该规则无法实施。智能体得出结论，该规则是可行的，但带有微小的季节性风险。一旦操作员确认了这一点，系统便自动将该规则转化为数学格式，以便计算机求解器可以使用它来管理工厂计划，并将这条新规则记录回数字地图中以备未来使用。
这项工作证明了人工智能可以通过扮演熟练调查员的角色，而非被动阅读者，来有效地管理复杂的工业知识。通过使用少量简单的工具来探索结构化的事实网络，该系统能够比尝试一次性处理所有内容更准确、更高效地回答难题。研究表明，有目的地看更少的东西，可以让智能体更好地回答问题。随着数据集变得越来越大、越来越复杂，最终变得无法放入单个记忆提示词中，这种方法将变得尤为重要。在这种情况下，导航和检索特定信息的能力将成为通往智能决策的唯一可行路径。研究人员总结道，下一步是完善该系统，使其不仅能判断一条规则是否可行，还能自动编写执行该规则所需的计算机代码，从而完成从人类指令到机器执行的闭环。
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。