GraphScout: Empowering Large Language Models with Intrinsic Exploration Ability for Agentic Graph Reasoning

📄 arXiv: 2603.01410v1 📥 PDF

作者: Yuchen Ying, Weiqi Jiang, Tongya Zheng, Yu Wang, Shunyu Liu, Kaixuan Chen, Mingli Song

分类: cs.AI

发布日期: 2026-03-02

🔗 代码/项目: GITHUB

💡 一句话要点

GraphScout：赋予大语言模型自主探索能力，实现Agentic图推理

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 知识图谱 大语言模型 图推理 Agentic学习 检索增强生成

📋 核心要点

  1. 现有GraphRAG方法依赖人工设计的指导和有限的预定义工具，严重限制了知识图谱的探索能力。
  2. GraphScout通过更灵活的图探索工具，使LLM能够自主与知识图谱交互，合成结构化训练数据。
  3. 实验表明，GraphScout能显著提升小型LLM在知识图谱推理任务上的性能，并具有良好的跨领域迁移能力。

📝 摘要（中文）

知识图谱为众多现实应用提供结构化和可靠的信息，激发了将大语言模型（LLM）与基于图的检索相结合以提高事实基础的兴趣。 近期基于图的检索增强生成（GraphRAG）方法引入了LLM与知识图谱之间的迭代交互，以增强推理能力。 然而，现有方法通常依赖于手动设计的指导，并通过一组有限的预定义工具与知识图谱交互，这大大限制了图探索。 为了解决这些限制，我们提出了GraphScout，一个以训练为中心的agentic图推理框架，配备了更灵活的图探索工具。 GraphScout使模型能够自主地与知识图谱交互，以合成结构化的训练数据，然后用于后训练LLM，从而在无需费力的人工标注或任务管理的情况下，内化agentic图推理能力。 在五个知识图谱领域进行的大量实验表明，一个小型模型（例如，Qwen3-4B）通过GraphScout增强后，其性能优于基于领先LLM（例如，Qwen-Max）构建的基线方法，平均提升16.7％，同时需要的推理token显著减少。 此外，GraphScout表现出强大的跨领域迁移性能。 我们的代码将公开发布。

🔬 方法详解

问题定义：现有基于图的检索增强生成（GraphRAG）方法在利用知识图谱进行推理时，依赖于人工设计的指导和预定义的工具集，这限制了模型对知识图谱的探索能力，无法充分挖掘图结构中的信息，导致推理性能受限。

核心思路：GraphScout的核心在于赋予大语言模型（LLM）自主探索知识图谱的能力。通过设计更灵活的图探索工具，让LLM能够像智能体一样在图上自由探索，发现有用的信息，并利用这些信息生成结构化的训练数据，从而提升LLM的图推理能力。

技术框架：GraphScout框架主要包含以下几个阶段：1) Agentic图探索：LLM作为智能体，使用预定义的图探索工具（例如，查找邻居节点、查询关系等）与知识图谱进行交互，自主地探索图结构。2) 数据合成：LLM根据探索到的信息，生成结构化的训练数据，包括问题、答案和推理路径等。3) LLM后训练：使用合成的训练数据对LLM进行后训练，使LLM内化agentic图推理能力。

关键创新：GraphScout的关键创新在于其agentic图探索机制，它允许LLM自主地与知识图谱交互，而不是依赖于人工设计的指导。这种自主探索能力使得LLM能够更充分地挖掘图结构中的信息，从而提升推理性能。与现有方法相比，GraphScout无需大量的人工标注或任务管理，降低了训练成本。

关键设计：GraphScout的关键设计包括：1) 灵活的图探索工具：提供了一组灵活的图探索工具，例如，查找邻居节点、查询关系、多跳推理等，允许LLM以不同的方式探索知识图谱。2) 结构化数据合成：设计了一种结构化的数据合成方法，将探索到的信息转化为问题、答案和推理路径等形式，方便LLM学习。3) 后训练策略：采用合适的后训练策略，例如，对比学习、生成式学习等，使LLM能够有效地内化agentic图推理能力。

📊 实验亮点

实验结果表明，GraphScout能够显著提升LLM在知识图谱推理任务上的性能。例如，使用GraphScout增强的Qwen3-4B模型，在五个知识图谱领域上的平均性能优于Qwen-Max模型16.7%，同时推理token消耗更少。此外，GraphScout还表现出强大的跨领域迁移能力，表明其具有良好的泛化性。

🎯 应用场景

GraphScout可应用于问答系统、推荐系统、知识图谱补全等领域。通过赋予LLM自主探索知识图谱的能力，可以提升这些应用在复杂推理场景下的性能和准确性。该研究有助于推动LLM在知识密集型任务中的应用，并为构建更智能的AI系统提供新的思路。

📄 摘要（原文）

Knowledge graphs provide structured and reliable information for many real-world applications, motivating increasing interest in combining large language models (LLMs) with graph-based retrieval to improve factual grounding. Recent Graph-based Retrieval-Augmented Generation (GraphRAG) methods therefore introduce iterative interaction between LLMs and knowledge graphs to enhance reasoning capability. However, existing approaches typically depend on manually designed guidance and interact with knowledge graphs through a limited set of predefined tools, which substantially constrains graph exploration. To address these limitations, we propose GraphScout, a training-centric agentic graph reasoning framework equipped with more flexible graph exploration tools. GraphScout enables models to autonomously interact with knowledge graphs to synthesize structured training data which are then used to post-train LLMs, thereby internalizing agentic graph reasoning ability without laborious manual annotation or task curation. Extensive experiments across five knowledge-graph domains show that a small model (e.g., Qwen3-4B) augmented with GraphScout outperforms baseline methods built on leading LLMs (e.g., Qwen-Max) by an average of 16.7\% while requiring significantly fewer inference tokens. Moreover, GraphScout exhibits robust cross-domain transfer performance. Our code will be made publicly available~\footnote{https://github.com/Ying-Yuchen/GraphScout}.