面向混合知识图谱的模式无关图推理Agent

工具调用型LLM Agent用少数几个通用原语（ls、cat、grep）来导航陌生代码库，完成列举、读取与搜索。知识图谱可以接受同样的接口：列举邻居、读取节点内容、搜索描述，是在不同底座上执行的相同操作。基于这一对应关系，我们提出GRA（Graph Reasoning Agent），一个用七个通用工具探索混合知识图谱的图推理Agent——这类图谱的节点要么是文本概念，要么是关系表——所有领域特定的内容都在运行时发现。在UFK-M（统一工厂知识模型）上——一个包含258个分析型问题的工业基准，其金标准答案由执行经验证的SQL程序产生——GRA超过全上下文Agent 5.1个百分点（88.4%对83.3%），同时读取的输入token不到其三分之一。一个无图对照组表明，增益主要来自选择性的Agentic访问而非图拓扑本身，且该效应依赖于一个能够可靠驱动工具的模型。看得更少，答得更好：在结构化底座上的选择性导航胜过穷举式上下文。