经知识图谱落地增强小语言模型推理

尽管大语言模型（LLM）为零样本推理设立了基准，其部署仍然成本高昂且环境负担重。小语言模型（SLM）提供可持续替代，但在需要复杂多跳逻辑落地的任务上易错。我们研究一个神经符号智能体框架以增强SLM推理能力——具体针对Gemma 3（1B、4B）与Llama 3.2（3B），使用CLUTRR亲缘基准。我们的方法把SLM转为极简智能体，利用两个专门工具调用：用于符号三元组抽取的extract_facts与经关系图卷积网络（RGCN）做专家推理的get_hint。我们在两种配置下评估这些模型：带真值三元组的Oracle场景与依赖自抽取知识的现实场景。结果揭示：RGCN派生的提示相对仅故事基线带来1.5–2倍性能增益，但系统受抽取瓶颈与顺序演绎脆弱性制约——早期抽取错误在多跳链上复合。此外我们在特定架构中识别出“分心效应”：嘈杂的自生成事实尽管有专家提示仍使表现退化。本工作刻画低资源智能体系统中符号落地的挑战，并为神经符号智能体管线中的迭代验证提供路线图。