通往投资成功的增益路径：面向风险投资预测的信息驱动LLM图推理

大多数风险投资（VC）投资以失败告终，只有少数带来超额回报。准确预测创业公司成败需要综合复杂的关联证据，包括公司披露信息、投资人过往战绩与投资网络结构，并通过显式推理形成连贯、可解释的投资论点。传统机器学习与图神经网络都缺乏这种推理能力。大语言模型（LLM）具备强推理能力，但与图之间存在模态错配。近期的图-LLM方法主要针对答案位于图内部的图内任务，而VC预测是图外任务：目标存在于网络之外。核心挑战在于选择能在外部目标上最大化预测器性能、同时支持逐步推理的图路径。我们提出MIRAGE-VC，一个多视角检索增强生成框架，它解决两个障碍：路径爆炸（数千条候选路径会压垮LLM上下文）和异构证据融合（不同创业公司需要不同的分析侧重）。我们的信息增益驱动路径检索器迭代选择高价值邻居，把投资网络提炼成用于显式推理的紧凑链路。一个多智能体架构通过基于公司属性的可学习门控机制整合三路证据。在严格的防泄漏控制下，MIRAGE-VC取得+5.0%的F1和+16.6%的PrecisionAt5，并为推荐、风险评估等其他图外预测任务带来启示。代码：https://anonymous.4open.science/r/MIRAGE-VC-323F。