有界路径上下文：基于 LLM 的知识图问答中可见路径历史的受控研究

基于 LLM 的知识图问答 (KGQA) 将图遍历委托给语言模型，将每个问题转化为跨波束和跳跃重复的本地关系选择决策序列。一个常见但未经测试的默认设置是将完整的部分路径序列化到每个路由提示中，即使控制器已经将该路径维护为精确的符号状态。有界路径上下文 (BPC) 将这两个角色解耦：控制器在符号内存中保留完整路径以用于答案提取和审核，而关系选择提示仅公开问题、当前实体、传出关系候选以及最多最后 K 跳。对 K 的受控扫描（固定图邻域、波束预算、深度、解码和答案提取格式）表明，有界历史匹配或超过使用 Qwen3.5-9B-AWQ 的完整 WebQSP 和 CWQ 测试集上的完整历史提示：K=1 在 WebQSP 上达到 0.487 答案集 F1，而完整历史为 0.472；K=0 在 CWQ 上达到 0.287，而在完整历史上，K=0 达到 0.287。 0.274，输入词元分别减少了 9.7% 和 12.1%。在 4B 尺度上，K=1 仍然是两个基准测试中最强的设置。每个示例的分析表明，71-84% 的示例不受历史长度的影响，而受影响的案例会暴露出先前的跃点是否会消除歧义或分散注意力。这些结果表明，在基于 LLM 的图形控制器中，路径序列化长度最好被视为可调接口变量，而不是默认假设。