迈向面向知识图谱问答的研究者Agent

将自然语言问题转化为可在大型知识图谱上执行的SPARQL查询，需要解决词汇歧义、把表层术语锚定到目标本体，并产出语法有效且语义忠实的图模式。我们提出一个agentic的text-to-SPARQL系统，比静态的工具使用型智能体更进一步：一个研究者Agent，每轮在验证集上推理之后，会提出并测试对自身提示词、规则和工具编排代码的修改。我们在DBpedia上实例化该循环，由一个低成本推理模型驱动演化出九个连续版本，并将表现最佳的配置部署到两个更强的骨干模型上。研究得到三点观察：（i）自我改进快速收敛，随后在2025年DBpedia验证集上达到0.22的总体准确率；（ii）瓶颈始终在基本图模式的谓词选择上，而非SPARQL语法或修饰子；（iii）若干基准条目似乎因DBpedia属性歧义而惩罚了正确查询，这提示未来的Text-to-SPARQL基准应结合机器翻译与信息检索指标来评分。