SCAIR:面向企业知识图谱的模式条件智能体迭代推理

基于知识图谱的检索增强生成(KG-RAG)实现了与结构化企业知识的自然语言交互,然而在公开基准上表现良好的现有智能体方法,往往难以泛化到稠密、模式驱动且受运营约束的现实企业知识图谱(KG)。为解决这些局限,我们提出SCAIR(模式条件智能体迭代推理),一个免训练框架,通过注入模式条件的结构先验并在多跳推理中强制模式感知遍历,将结构化规划与受控迭代推理相结合。在一个由真实配置管理数据库(CMDB)构建的面向企业的基准上的实验表明,SCAIR大幅优于现有KG-RAG方法。关键的是,我们的研究强调:可靠的企业图谱推理不能依赖通用智能体设计,而必须把目标领域的结构与运营约束显式纳入推理过程。我们证明,通过让智能体设计与业务逻辑对齐,无需昂贵的模型再训练即可获得显著的性能提升。