在大型语言模型（LLMs）设定了零-shot推理基准的同时，其部署成本高昂且对环境有负担。小型语言模型（SLMs）成为了一种可持续的替代方案，但在需要复杂多跳逻辑推理的任务中容易出现错误。
我们研究了一种神经符号代理框架，以增强SLMs（特别是Gemma 3（1B，4B）和Llama 3.2（3B））的推理能力，使用CLUTRR亲属关系基准。我们的方案将SLM转化为一个简约代理，利用两个专业工具调用：extract_facts用于符号三元组提取，get_hint通过关系图卷积网络（RGCN）实现专家推理。
我们在两种配置下评估这些模型：一种是基于真实三元组的Oracle情景，另一种是依赖自提取知识的现实情景。结果显示，RGCN衍生的提示在故事基线之上提供了1.5到2倍的性能提升，但系统受到提取瓶颈和顺序推理脆弱性的制约，早期提取错误在多跳链中会累积。
此外，我们还识别出在特定架构中存在“干扰效应”，即噪声自生成的事实会在存在专家提示的情况下降低性能。本研究描述了低资源代理系统中符号基础的挑战，并为神经符号代理管道中的迭代验证提供了路线图。
博主点评： 本研究展示了小型语言模型在推理任务中的潜力，尤其是通过知识图谱的结合来提升其表现。尽管存在提取瓶颈和干扰效应，框架的设计为未来的研究提供了重要的启示，值得关注。