RACER：通过强化智能体协作实现知识图谱上的可解释推理

大语言模型 (LLM) 经常会产生幻觉，并且难以处理需要多跳领域知识的复杂推理任务。虽然集成知识图谱（KG）提供了结构化且可验证的信息源，但当前知识图谱增强的LLM范式通常依赖于单代理路径提取和固定提示，缺乏适应性并面临巨大的搜索空间。为了应对这些挑战，我们提出了 RACER，一种用于知识图谱可解释推理的强化代理协作框架。 RACER采用语义感知动作剪枝和教师引导的强化学习机制，从大规模知识图谱中高效提取高质量的推理路径。此外，为了减轻单路径生成陷阱，我们引入了跨任务累积共享内存图，并与注意力驱动的多路径知识细化模块配对。最后，RACER 通过四角色多代理协作系统（GraphAgent、TemplateAgent、AnswerAgent 和 CriticAgent）编排这些组件，以动态细化提示并评估答案。在 CommonsenseQA 和 OpenBookQA 数据集上进行的大量实验表明，RACER 的性能显着优于最先进的 KG 增强型 LLM 基线，平均提高了 5%，提供了强大且高度可解释的推理能力。