增强元认知AI：基于图论的大语言模型富集的知识图谱填充

arXiv cs.AI 论文
metacognitive-ai knowledge-graph llm-enrichment graph-theoretic self-directed-knowledge-repair rag benchmark

摘要

MetaKGEnrich是一个全自动流水线，使用图指标检测大语言模型应用中的知识缺口，检索网络证据，并在三个基准数据集上将答案质量提升80%-87%。

arXiv:2605.16676v1 Announce Type: new Abstract: 元认知——即监控自身知识状态、发现缺口并自主填补的能力——在现代AI中基本缺失。在此，我们提出MetaKGEnrich，这是一个全自动流水线，使大语言模型（LLM）应用具备自主知识修复能力。该系统（i）从种子查询构建知识图谱，（ii）通过七种图指标检测稀疏区域，（iii）让GPT-4o生成针对性问题，（iv）使用Tavily检索网络证据并将其导入Neo4j，（v）使用GraphRAG重新回答查询，供GPT-4评估改进情况。在三个广泛使用的数据集中各选取30个查询进行测试：Google Research Natural Questions、MS MARCO和Hot-potQA。MetaKGEnrich在80%的HotpotQA问题、87%的Google Research Natural Questions问题和83%的MS MARCO问题中提升了答案质量，同时保留了已有充分支持的领域。这一概念验证展示了拓扑自诊断与针对性检索如何推动AI向类人元认知学习迈进。
查看原文
查看缓存全文

缓存时间: 2026/05/19 06:35 

# 增强元认知AI：基于图论的大语言模型知识图谱填充与丰富
来源：https://arxiv.org/abs/2605.16676
查看PDF (https://arxiv.org/pdf/2605.16676)

> 摘要：元认知——即监控自身知识状态、发现知识缺口并自主填补的能力——在现代AI中仍然基本缺失。本文提出MetaKGEnrich，一个全自动流水线，为大语言模型（LLM）应用赋予自我导向的知识修复能力。该系统：(i) 从种子查询构建知识图谱，(ii) 通过七种图指标检测稀疏区域，(iii) 让GPT-4o生成针对性问题，(iv) 使用Tavily检索网络证据并导入Neo4j，(v) 利用GraphRAG重新回答查询，供GPT-4评估改进效果。在三个广泛使用的数据集（Google Research Natural Questions、MS MARCO和HotpotQA）上各测试30个查询。MetaKGEnrich在80%的HotpotQA问题、87%的Google Research Natural Questions问题和83%的MS MARCO问题上提升了答案质量，同时保留了支撑良好的区域。这一概念验证表明，拓扑自诊断与针对性检索相结合，可推动AI向类人元认知学习迈进。

## 提交历史

来自：Brendan Conway-Smith [查看邮件 (https://arxiv.org/show-email/bdc07f1f/2605.16676)] **[v1]** 2026年5月15日星期五 22:32:07 UTC (762 KB)

相似文章

基于外部子图生成的大语言模型逐步推理增强

arXiv cs.CL

本文提出了SGR框架，通过查询相关的子图生成将外部知识图谱与大语言模型相结合，融合基于Cypher的推理与协同推理集成，从而增强大语言模型的逐步推理能力。在CWQ、WebQSP、GrailQA和KQA Pro上的实验表明，该框架相比标准提示方法和知识增强基线具有更高的推理准确性。