RAGA：用于自主知识图谱构建与检索增强生成的阅读与建图智能体

现有由大语言模型（LLM）驱动的知识图谱（KG）构建方法大多采用无状态批处理流水线，在跨块语义关系捕获、实体消歧以及构建过程可解释性方面存在结构性缺陷。这些局限削弱了KG的质量、检索精度以及在高风险领域的部署信任。我们提出RAGA（Reading And Graph-building Agent），一个基于LLM的自主KG构建与检索融合框架。RAGA提供了一个支持KG全生命周期CRUD操作的原子工具集，并将“阅读-搜索-验证-构建”认知约束嵌入ReAct工具循环。KG-向量同步机制支持符号-向量混合检索，同时证据锚定验证将每条知识条目链接到其源文本，实现可审计的溯源。在QASPER科学问答数据集一个子集上的初步实验表明，RAGA的融合检索优于零样本基线，KG的引入在答案质量和证据质量两方面均带来可衡量的提升。该框架设计与实验基线可作为智能体驱动自主KG构建的参考。