从提取到受治理的记忆：多智能体知识图谱构建与领域专家评审

arXiv cs.AI 论文
multi-agent knowledge-graph governed-memory domain-expert ai-agents

摘要

本文提出了MAGG，一个用于构建受治理知识图谱的多智能体框架，通过领域专家评审，提升知识提取和问答性能，优于如Microsoft GraphRAG等方法。

arXiv:2608.28642v1 公告类型：新 摘要：智能体系统使用的知识图谱通常被视为提取三元组的扁平存储，很少记录谁拥有一个事实、为何它被接纳或如何在下游使用。我们认为，可靠的智能体知识系统需要治理作为图谱构建的基本组成部分来弥合这一差距。我们提出了MAGG，一个原则性的多智能体框架，用于构建受治理的知识图谱，引入了明确的治理决策以实现可靠和可信的知识共享。领域分类器首先直接从文档内容中诱导实体和关系类型，使其能够在开放世界环境中运行，无需固定模式。候选三元组被分配给领域所有者，根据支持证据进行审查，通过治理决策接纳，并与审计元数据一起存储。相同的所有权结构在问答过程中被重用，其中查询被路由到特定领域的图谱专家，而不是通过未分化的检索来回答。我们的评估展示了MAGG的有效性：在SciERC上，与扁平插入相比，MAGG将严格三元组F1提高了47%，映射三元组F1提高了51%。对120个三元组的盲审发现，仅受治理的三元组比仅扁平的三元组更常有来源支持，而修订后的三元组在100%的情况下得到支持。最后，在MuSiQue上，MAGG在精确匹配点上优于Microsoft GraphRAG 9.0点，在token-F1点上优于11.2点。
查看原文
查看缓存全文

缓存时间: 2026/09/01 12:37 

# 从抽取到受治理记忆：基于领域专家审核的多智能体知识图谱构建
来源：https://arxiv.org/abs/2608.28642  
查看PDF (https://arxiv.org/pdf/2608.28642)

> 摘要：智能体系统使用的知识图谱常被视为扁平化存储的三元组集合，缺乏对事实的归属权、采纳原因及其下游使用方式的记录。我们认为，可靠的智能体知识系统需要将治理机制作为图谱构建的核心组成部分，以弥合这一差距。我们提出MAGG——一个构建受治理知识图谱的多智能体框架，通过显式的治理决策实现可靠且值得信赖的知识共享。领域分类器首先从文档内容中直接归纳出实体和关系类型，使其能在开放世界场景下运行而无需固定模式。候选三元组被分配给领域所有者，依据支持性证据进行审核，通过治理决策后纳入图谱，并存储审计元数据。同样的所有权结构在问答环节被复用：查询被路由至领域特定的图谱专家，而非通过无差别的检索来回答。评估结果表明MAGG的有效性：在SciERC数据集上，相比直接插入，MAGG将严格三元组F1值提升47%，映射三元组F1值提升51%。对120个三元组的盲审发现，仅通过治理流程的三元组比直接插入的三元组更常具备来源支持，而修订后的三元组在100%的情况下都获得了支持。最终在MuSiQue数据集上，MAGG比微软的GraphRAG在精确匹配上高出9.0个百分点，在token-F1值上高出11.2个百分点。

## 提交历史
来源：Faizan Wajid \[查看邮件 (https://arxiv.org/show-email/c4be2996/2608.28642)\] **\[v1\]**2026年8月12日 周三 01:45:23 UTC（1,341 KB）

相似文章