摘要
知识图谱增强生成（KG-RAG）使得与结构化企业知识的自然语言交互成为可能，然而现有的代理方法在公共基准上表现良好，但在实际企业知识图谱（KGs）上往往难以推广。这些企业知识图谱通常密集、基于模式且受到操作约束。
为了解决这些问题，我们提出了 SCAIR（结构条件代理迭代推理），这是一个无需训练的框架，通过注入结构条件的先验知识并在多跳推理中强制执行模式感知的遍历，集成了结构化规划与受控迭代推理。
对基于真实配置管理数据库（CMDB）构建的企业导向基准的实验表明，SCAIR 显著提升了现有 KG-RAG 方法的性能。重要的是，我们的研究强调，可靠的企业图谱推理不能依赖于通用的代理设计；相反，必须将目标领域的结构和操作约束明确纳入推理过程。
我们证明，通过将代理设计与业务逻辑对齐，可以在不需要昂贵模型重训练的情况下实现显著的性能提升。
博主点评： SCAIR 提出的框架通过引入结构条件先验，解决了传统方法在企业知识图谱中的局限性，展现了结构化推理的重要性。这一创新不仅提高了推理的准确性，还降低了模型训练的成本，具有广泛的应用前景。