LLM+KG+Agent的Text2SPARQL多语言KBQA智能体框架—mKGQAgent 原创

前面笔者介绍了《​​大模型在知识图谱问答上的核心算法详细思路及实践​​​​》，一般的Text2Sparql/Text2SQL技术路线图如下，目标是奖自然语言转话为可查询的SQL语句。

目前基于KG+LLM+Agent的KBQA方案，在多语言场景未得到充分探索。下面来看一个智能体框架-mKGQAgent，通过模拟人类推理过程将自然语言问题转化为SPARQL查询。

mKGQAgent架构

mKGQAgent 工作流演示（在线阶段）。在评估阶段，mKGQAgent 利用经验池中的实例来优化规划，通过上下文学习训练示例提升 SPARQL 查询生成意识，并借助反馈纠正潜在错误。离线阶段，则是为收集经验池所必需。评估或在线阶段——即 mKGQAgent 各组件及其集成模块的调度过程。

工作流程分为离线阶段和评估（在线）阶段，核心是模块化的子任务分解与协同，结合经验池（Experience Pool）和工具调用提升多语言场景下的性能。

1、离线阶段（Offline Phase）

离线阶段的核心是构建经验池（Experience Pool），为在线阶段的推理提供上下文学习的示例。该阶段通过一个简化版代理（SAgent）完成，包括以下步骤：

1.1 命名实体链接工具（Named Entity Linking, NEL Tool）

模拟人类查询知识图谱中资源标识符的行为，将自然语言中的实体和关系候选映射到知识图谱中的URI（统一资源标识符）。例如，将“Angela Merkel”链接到Wikidata的URI（Q567）。

复用现有NEL服务（如Wikidata的实体查询接口）和关系链接工具（如Falcon 2.0），而非提出新算法:

1. 输入实体候选（E）和关系候选（R）；
2. 调用NEL服务获取每个候选的URI；
3. 返回链接后的实体和关系字典。

1.2 计划步骤（Plan Step）

将生成SPARQL查询的复杂任务分解为一系列子任务（如实体识别、关系链接、查询优化等），模拟人类分步解决问题的逻辑。

通过LLM生成分步计划：

1. 输入自然语言问题（q_i）和系统提示（S_plan）；
2. LLM输出子任务列表（p_i），作为后续行动的指南。

1.3 无经验池的行动步骤（Action Step without Experience Pool）

按计划步骤顺序执行子任务，结合NEL工具完成实体链接，逐步生成SPARQL查询。

• 实现：

1. 输入计划（p_i）、LLM、NEL工具和系统提示（S_action）；
2. 依次执行每个子任务，必要时调用NEL工具；
3. 保存对话历史（H_i），最终输出初步SPARQL查询（）。

1.4 经验池构建（Experience Pool Construction）

• 功能：存储的推理过程和结果（包括成功与失败案例），作为在线阶段的上下文学习示例。
• 实现：

1.对训练集中的问题（q_i），生成SPARQL查询并与真实查询（）对比，计算F1分数；

2.将问题向量、计划、对话历史、F1分数等元数据存入向量数据库；

3.经验池包含成功（F1=1.0）和失败（F1<1.0）的案例，支持后续相似问题的检索。

2、评估阶段（Evaluation Phase）

在线阶段基于离线构建的经验池，通过计划、行动和反馈的协同生成最终SPARQL查询。

2.1 带经验池的计划步骤（Plan Step with Experience Pool）

利用经验池中相似问题的成功计划优化当前计划，提升子任务分解的准确性。

1.将输入问题（q_i）转换为向量（v_qi）；

2.从经验池中检索Top-N个高F1分数的相似计划；

3.将这些计划融入系统提示（），引导LLM生成更优计划（p_i）。

2.2 带经验池的行动步骤（Action Step with Experience Pool）

结合经验池中相似问题的SPARQL示例，优化查询生成过程，同时支持反馈步骤的结果整合。

1.检索经验池中Top-N个相似SPARQL查询，融入行动阶段的系统提示（）；

2.按计划执行子任务，调用NEL工具，并可结合反馈结果调整查询。

3.2.3 反馈步骤（Feedback Step）

通过执行初步查询并分析知识图谱的返回结果，修正查询错误，模拟人类“试错-改进”的推理过程。

1.将初步生成的SPARQL查询（）在三元组存储中执行，获取返回结果（A_i）；

2.将结果填入反馈提示模板（），返回给行动步骤；

3.行动步骤根据反馈优化查询，输出最终结果（仅触发一次，避免无限循环）。

实验性能

参考文献：Text-to-SPARQL Goes Beyond English: Multilingual Question Answering Over Knowledge Graphs through Human-Inspired Reasoning，https://arxiv.org/pdf/2507.16971v1

本文转载自​​大模型自然语言处理​​   作者：余俊晖