传播结构是假新闻检测的重要证据，但现有方法大多依赖监督的 GNN 模型，需要大量标注数据且泛化能力有限。大型语言模型（LLM）具备强大的推理能力，但直接将原始传播图喂入 LLM 会导致模态不匹配和信息过载，使得在零样本或少样本场景下的结构感知推理难以可靠。
为了解决上述问题，本文提出 MAGER（Multi‑Agent Genetic Evolution for Reasoning），一种多智能体遗传进化框架，能够自动发现针对 LLM 推理优化的元路径。通过将复杂的传播图压缩为信息密集的子图，进化得到的元路径既缓解了信息过载，又消除了模态不匹配，使得冻结的 LLM 能够进行结构感知的真伪推理。
此外，本文还设计了 图上下文学习 策略：在推理时检索语义和结构相似的示例作为上下文示例，进一步提升分类与推理的鲁棒性。
在多个真实数据集上的实验表明，MAGER 在数据高效设置下显著提升了冻结 LLM 作为独立假新闻检测器的性能。代码已开源：https://github.com/SenticNet/MAGER。
点评