CuriousLLM : Améliorer la QA multi-documents avec un prompt de graphe de connaissances infusé de raisonnement

Dans le domaine du Question Answering (QA), l'unification des grands modèles de langage (LLMs) avec des bases de données externes a montré un grand succès. Cependant, ces méthodes échouent souvent à fournir le raisonnement avancé nécessaire pour les tâches complexes de QA. Pour résoudre ces problèmes, nous améliorons une approche novatrice appelée Knowledge Graph Prompting (KGP), qui combine des graphes de connaissances avec un agent basé sur LLM pour améliorer la précision du raisonnement et de la recherche. Néanmoins, le cadre KGP original nécessite un ajustement coûteux avec de grands ensembles de données tout en souffrant encore d'hallucinations de LLM. Par conséquent, nous proposons un agent LLM infusé de raisonnement pour renforcer ce cadre. Cet agent mime la curiosité humaine en posant des questions de suivi pour naviguer plus efficacement dans la recherche. Cette simple modification améliore significativement la performance du LLM dans les tâches de QA sans les coûts élevés et la latence associés au cadre KGP initial. Notre objectif ultime est de développer davantage cette approche, conduisant à des solutions plus précises, plus rapides et plus économiques dans le domaine du QA.