SAGA：面向智能体Text-to-SPARQL生成的模式感知落地

复杂知识库问答（KBQA）常经两条路径：在问题专属子图上信息检索，或语义解析为可执行逻辑形式。我们研究后者。近期大语言模型智能体使语义解析交互化：它们在推理、查询知识库与扩展部分SPARQL查询之间交替。这种交错降低对一次性生成的依赖，但使KB落地的质量取决于交互工具暴露了什么。既有智能体主要通过词法相关性与实例级观察检索或剪枝候选属性——没有系统性地以实体类型、属性定义域与值域或期望答案类型为条件。我们把这种失败模式称为类型盲落地。它扩大落地搜索空间，并常产出貌似合理但语义不兼容、执行后为空结果的三元组模式。我们提出SAGA（面向智能体Text-to-SPARQL生成的模式感知落地）：一个免训练框架——把属性探索变为模式约束的落地操作。SAGA维护持久的双向类型状态、在构造时过滤已知不兼容的属性候选、以紧凑的模式标注格式呈现剩余图模式，并经经验与轨迹局部证据宽容地处理缺失模式信息。跨Wikidata与Freebase的九个基准设定：SAGA在全部九个设定取得最高F1、八个取得最高精确匹配准确率，同时在所有已报告Wikidata设定上减少空结果查询。