论文
GraphScout：赋予大语言模型自主探索能力以实现 Agentic 图推理
GraphScout: Empowering Large Language Models with Intrinsic Exploration Ability for Agentic Graph Reasoning
摘要
知识图谱为许多现实应用提供结构化、可靠的信息，促使人们日益关注将大语言模型（LLM）与基于图的检索相结合以改进事实依据。因此，近期的基于图的检索增强生成（GraphRAG）方法引入 LLM 与知识图谱之间的迭代交互以增强推理能力。然而，现有方法通常依赖人工设计的引导，并通过有限的预定义工具与知识图谱交互，这大幅限制了图探索。为解决这些局限，我们提出 GraphScout，一个以训练为中心、配备更灵活图探索工具的 Agentic 图推理框架。GraphScout 让模型自主与知识图谱交互以合成结构化训练数据，再用这些数据后训练 LLM，从而无需繁重的人工标注或任务整理即可内化 Agentic 图推理能力。跨五个知识图谱领域的大量实验表明，经 GraphScout 增强的小模型（如 Qwen3-4B）平均超越基于领先 LLM（如 Qwen-Max）构建的基线方法 16.7%，且所需推理 token 显著更少。此外，GraphScout 展现出稳健的跨领域迁移性能。我们的代码将公开提供（https://github.com/Ying-Yuchen/_GraphScout_）。
