LLM+KG+Agent的Text2SPARQL多語言KBQA智能體框架—mKGQAgent 原創(chuàng)
前面筆者介紹了《??大模型在知識圖譜問答上的核心算法詳細(xì)思路及實(shí)踐????》，一般的Text2Sparql/Text2SQL技術(shù)路線圖如下，目標(biāo)是獎自然語言轉(zhuǎn)話為可查詢的SQL語句。
目前基于KG+LLM+Agent的KBQA方案，在多語言場景未得到充分探索。下面來看一個(gè)智能體框架-mKGQAgent，通過模擬人類推理過程將自然語言問題轉(zhuǎn)化為SPARQL查詢。
mKGQAgent架構(gòu)
mKGQAgent 工作流演示（在線階段）。在評估階段，mKGQAgent 利用經(jīng)驗(yàn)池中的實(shí)例來優(yōu)化規(guī)劃，通過上下文學(xué)習(xí)訓(xùn)練示例提升 SPARQL 查詢生成意識，并借助反饋糾正潛在錯(cuò)誤。離線階段，則是為收集經(jīng)驗(yàn)池所必需。評估或在線階段——即 mKGQAgent 各組件及其集成模塊的調(diào)度過程。
工作流程分為離線階段和評估（在線）階段，核心是模塊化的子任務(wù)分解與協(xié)同，結(jié)合經(jīng)驗(yàn)池（Experience Pool）和工具調(diào)用提升多語言場景下的性能。
1、離線階段（Offline Phase）
離線階段的核心是構(gòu)建經(jīng)驗(yàn)池（Experience Pool），為在線階段的推理提供上下文學(xué)習(xí)的示例。該階段通過一個(gè)簡化版代理（SAgent）完成，包括以下步驟：
1.1 命名實(shí)體鏈接工具（Named Entity Linking, NEL Tool）
模擬人類查詢知識圖譜中資源標(biāo)識符的行為，將自然語言中的實(shí)體和關(guān)系候選映射到知識圖譜中的URI（統(tǒng)一資源標(biāo)識符）。例如，將“Angela Merkel”鏈接到Wikidata的URI（Q567）。
復(fù)用現(xiàn)有NEL服務(wù)（如Wikidata的實(shí)體查詢接口）和關(guān)系鏈接工具（如Falcon 2.0），而非提出新算法:
- 輸入實(shí)體候選（E）和關(guān)系候選（R）；
- 調(diào)用NEL服務(wù)獲取每個(gè)候選的URI；
- 返回鏈接后的實(shí)體和關(guān)系字典。
1.2 計(jì)劃步驟（Plan Step）
將生成SPARQL查詢的復(fù)雜任務(wù)分解為一系列子任務(wù)（如實(shí)體識別、關(guān)系鏈接、查詢優(yōu)化等），模擬人類分步解決問題的邏輯。
通過LLM生成分步計(jì)劃：
- 輸入自然語言問題（qi）和系統(tǒng)提示（Splan）；
- LLM輸出子任務(wù)列表（pi），作為后續(xù)行動的指南。
1.3 無經(jīng)驗(yàn)池的行動步驟（Action Step without Experience Pool）
按計(jì)劃步驟順序執(zhí)行子任務(wù)，結(jié)合NEL工具完成實(shí)體鏈接，逐步生成SPARQL查詢。
- 實(shí)現(xiàn)：
- 輸入計(jì)劃（pi）、LLM、NEL工具和系統(tǒng)提示（Saction）；
- 依次執(zhí)行每個(gè)子任務(wù)，必要時(shí)調(diào)用NEL工具；
- 保存對話歷史（Hi），最終輸出初步SPARQL查詢（
）。
1.4 經(jīng)驗(yàn)池構(gòu)建（Experience Pool Construction）
- 功能：存儲的推理過程和結(jié)果（包括成功與失敗案例），作為在線階段的上下文學(xué)習(xí)示例。
- 實(shí)現(xiàn)：
1.對訓(xùn)練集中的問題（qi），生成SPARQL查詢并與真實(shí)查詢（
）對比，計(jì)算F1分?jǐn)?shù)；
2.將問題向量、計(jì)劃、對話歷史、F1分?jǐn)?shù)等元數(shù)據(jù)存入向量數(shù)據(jù)庫；
3.經(jīng)驗(yàn)池包含成功（F1=1.0）和失敗（F1<1.0）的案例，支持后續(xù)相似問題的檢索。
2、評估階段（Evaluation Phase）
在線階段基于離線構(gòu)建的經(jīng)驗(yàn)池，通過計(jì)劃、行動和反饋的協(xié)同生成最終SPARQL查詢。
2.1 帶經(jīng)驗(yàn)池的計(jì)劃步驟（Plan Step with Experience Pool）
利用經(jīng)驗(yàn)池中相似問題的成功計(jì)劃優(yōu)化當(dāng)前計(jì)劃，提升子任務(wù)分解的準(zhǔn)確性。
1.將輸入問題（qi）轉(zhuǎn)換為向量（vqi）；
2.從經(jīng)驗(yàn)池中檢索Top-N個(gè)高F1分?jǐn)?shù)的相似計(jì)劃；
3.將這些計(jì)劃融入系統(tǒng)提示（
），引導(dǎo)LLM生成更優(yōu)計(jì)劃（pi）。
2.2 帶經(jīng)驗(yàn)池的行動步驟（Action Step with Experience Pool）
結(jié)合經(jīng)驗(yàn)池中相似問題的SPARQL示例，優(yōu)化查詢生成過程，同時(shí)支持反饋步驟的結(jié)果整合。
1.檢索經(jīng)驗(yàn)池中Top-N個(gè)相似SPARQL查詢，融入行動階段的系統(tǒng)提示（
）；
2.按計(jì)劃執(zhí)行子任務(wù)，調(diào)用NEL工具，并可結(jié)合反饋結(jié)果調(diào)整查詢。
3.2.3 反饋步驟（Feedback Step）
通過執(zhí)行初步查詢并分析知識圖譜的返回結(jié)果，修正查詢錯(cuò)誤，模擬人類“試錯(cuò)-改進(jìn)”的推理過程。
1.將初步生成的SPARQL查詢（
）在三元組存儲中執(zhí)行，獲取返回結(jié)果（Ai）；
2.將結(jié)果填入反饋提示模板（
），返回給行動步驟；
3.行動步驟根據(jù)反饋優(yōu)化查詢，輸出最終結(jié)果（僅觸發(fā)一次，避免無限循環(huán)）。
實(shí)驗(yàn)性能
參考文獻(xiàn)：Text-to-SPARQL Goes Beyond English: Multilingual Question Answering Over Knowledge Graphs through Human-Inspired Reasoning，https://arxiv.org/pdf/2507.16971v1
本文轉(zhuǎn)載自??大模型自然語言處理?? 作者：余俊暉
