标签
本文介绍了Context——一种替代反应式聊天机器人的主动目标导向智能体新架构。通过可组合沙箱程序、声明式布线和主动状态机，本文给出了证明效率提升的形式化定理，并提供了开源实现。
解释了如何通过使用Pydantic模式定义本体来修复代理记忆，实现结构化提取到知识图谱中以进行多跳推理，并提供了一个开源解决方案（Zep）。
本帖子讨论了使用知识图谱构建统一记忆层的最佳实践，强调将实体解析（命名）与去重（身份）分离，以避免图污染。还重点介绍了使用像 PrefectIO 这样的编排工具，通过检查点和缓存来管理昂贵的 LLM 提取管道。
这篇扩展论文重新审视了语义网服务在知识图谱方面的见解，提出了一个四维形式化框架和一个主体化功能配置文件（AAP），以便在智能体规划时实现有原则的知识图谱选择、组合和故障诊断。
本论文提出了一个模块化框架，用于知识图谱中的可扩展不确定性推理，通过定制的代数、逻辑和几何技术，处理不精确的属性值、概率性三元组存在以及不完整的模式知识。
DeepDive 是一种用于构建深度搜索代理的模式，它从知识图谱合成问答，并通过强化学习（GRPO）训练多轮浏览。该模式包括实体混淆和结合工具调用的测试时缩放。
DeepDive 提出了一种自动化方法，利用知识图谱进行数据合成和多轮强化学习，训练深度搜索代理，从而实现复杂的多步推理和网页浏览。
文章讨论了当前AI记忆方案在生产中常见的失败情况，如事实陈旧、摘要漂移和供应商锁定，指出真正的瓶颈在于记忆治理而非检索。
本文介绍了科学贡献图（Scientific Contribution Graph），这是一个大规模资源，包含从23万篇开放获取论文中提取的200万条科学贡献，并通过1250万条前提边连接，同时提出了自动化技术路线图绘制和前提预测的任务。
本文分享了知识图谱大会（KGC）2026 的演示文稿，突显了企业部署生产级知识图谱用于推理和治理，而不仅仅是向量检索的趋势。
作者认为 GraphRAG 本质上是一个数据建模问题，而非单纯的检索算法，并提出了一种包含五个组件的架构，利用本体论、知识图谱和 MCP 服务器为智能体提供统一记忆。
本文介绍了一种利用知识图谱路径作为中间监督来提升自进化搜索代理性能的方法。该方法通过将问题构建建立在关系上下文之上，并引入航点覆盖奖励（Waypoint Coverage Reward）以实现分级部分奖励，从而解决了搜索自博弈（Search Self-Play）中的瓶颈问题。
本文介绍了 TGS-RAG，这是一个双向验证与补全框架，通过协同基于文本和基于图的检索增强生成（RAG），提高了多跳推理的准确性。
本文介绍了 SPARK，这是一种自博弈强化学习框架，利用从科学文献中衍生出的知识图谱来提升视觉-语言模型的关系推理能力。
本文介绍了一个统一的基准测试，旨在评估图神经网络在基于文本构建的噪声知识图谱上的鲁棒性，以及生物医学领域图构建方法的有效性。
本文介绍了 NATD-GSSL 框架，用于评估图自监督学习在含噪声的文本驱动生物医学图上的鲁棒性。研究表明，尽管存在现实世界的噪声，某些 GNN 架构和 pretext tasks（辅助任务）仍能保持性能，为在不完美数据集上进行无监督学习提供了实用指导。
CocoIndex 是一款工具，通过增量更新来自代码库、文档、PDF、Slack、会议记录和视频的嵌入向量、摘要和知识图谱，为 AI 代理提供持续新鲜的上下文。
LogosKG 提出一种贴合硬件的框架，可在含十亿条边的知识图谱上实现可扩展、可解释的多跳检索；通过度感知分区与按需缓存提升效率，同时不损失保真度。
摘要：我们提出了一个基于理论支持的模拟学习者评估教育阅读材料自适应个性化的框架。该系统从开放式教科书构建学习目标和知识组件本体，在基于浏览器的本体图谱中进行管理，用本体实体标注教科书片段，并生成对应的阅读-评估配对。模拟读者通过受建构-整合启发的记忆模型阅读文章，该模型整合了DIME风格的读者因素、KREC风格的错误概念修正，以及开放式的New Dale-Chall可读性信号。答案通过基于得分的选项选择在学习者的显性记忆状态上生成，而BKT驱动自适应过程。在三个采样学科本体和每个条件匹配队列的50名模拟学习者中，自适应阅读显著改善了计算机科学成果，在无机化学中产生了较小但不确定的正向收益，在普通生物学中表现为中性至略负。
# 将结构化生物医学知识注入语言模型：持续预训练与GraphRAG 来源：[https://arxiv.org/html/2604.16422](https://arxiv.org/html/2604.16422) ###### 摘要 将领域特定知识注入模型对于使语言模型（LMs）适应生物医学等专业领域至关重要。尽管目前大多数方法依赖于非结构化文本语料库，但本研究探讨了两种利用UMLS元术语表（Metathesaurus）中结构化知识的互补策略：