图认知：通过认知循环和双向图文协同导航海量知识空间

检索增强生成 (RAG) 使大型语言模型 (LLM) 能够处理知识密集型任务。然而，导航全球异构知识库（大规模知识图和文本语料库）进行复杂推理仍然是一个挑战。现有方法通常采用反应式、图驱动的探索策略，盲目遵循图拓扑，而不适应问题上下文或不断发展的探索进度，并且缺乏图和文本之间的深度双向协同。为了解决这些限制，我们提出了 CoG（图认知），这是一种认知启发的、无需训练的自适应知识探索框架。 CoG从人类解决问题的过程中汲取灵感，执行连续的计划-探索-反思循环，主动制定调查计划，进行双源检索，并动态反思进度以调整策略。至关重要的是，它在结构化图和非结构化文本之间建立了深度的双向协同作用，其中从文本中提取的实体动态指导图探索以弥合知识差距。对七个多跳 QA 基准的大量实验表明，CoG 显着优于最先进的方法，同时实现了卓越的探索效率。我们的代码和数据集可在 https://github.com/zhungengxian/CoG 获取。