本文研究了知识图谱序列化为文本后对大语言模型（LLM）性能的影响。先前工作仅考察少数几种序列化方式，且在模型能力较弱时进行，导致报告的性能差异高达数十个百分点。我们选取了15种图表示格式，分别在9种前沿LLM配置上进行实验，覆盖本体知识抽取和结构图推理两类任务。实验结果显示，知识抽取对序列化方式相对鲁棒，准确率变化不大；而结构推理对序列化方式高度敏感，不同格式之间的准确率差异显著。最佳序列化格式取决于具体模型、查询类型以及任务本身，因而我们提出将图序列化视为一种动态编排决策，以在运行时选择最合适的表示。
点评：序列化方式不再是次要细节，而是影响结构推理效果的关键因素，动态选择策略有望提升实际应用中的LLM表现。