KG-RAG：弥合知识与创造力之间的鸿沟

在确保事实准确性的同时保持大型语言模型代理（LMA）的创造能力，在智能代理系统开发中面临重大挑战。LMA在处理知识密集型任务时，普遍存在信息幻觉、灾难性遗忘以及处理长上下文能力的限制等问题。本文介绍了一种KG-RAG（知识图检索增强生成）流程，该新颖框架通过将结构化知识图（KG）与大型语言模型（LLMs）的功能结合，显著增强了LMA的知识能力，从而大幅减少对LLM潜在知识的依赖。KG-RAG流程从非结构化文本构建知识图，然后在新创建的图上执行信息检索，以实现知识图问答（KGQA）。该检索方法利用了一种称为Chain of Explorations（CoE）的新算法，该算法借助LLM的推理能力，依次探索知识图中的节点和关系。基于ComplexWebQuestions数据集的初步实验显示，在减少幻觉内容方面取得显著提升，并为开发擅长处理知识密集型任务的智能系统提供了有前景的路径。