图谱顾问：基于多智能体协同的自适应图谱探索，以增强大语言模型推理能力

图检索增强生成（GraphRAG）通过明确建模知识关系，有效增强了外部知识集成能力，从而提高了大语言模型（LLMs）在专业领域的事实准确性和生成质量。然而，现有方法存在两个固有限制：1) 信息聚合效率低下：它们依赖单一代理和固定的迭代模式，难以自适应地捕获图数据中的多层次文本、结构和度信息。2) 推理机制僵化：它们采用预设的推理方案，无法动态调整推理深度，也无法实现精确的语义修正。为了克服这些限制，我们提出了一种基于多代理协作的GraphRAG方法——图谱顾问（Graph Counselor）。该方法采用了自适应图信息提取模块（AGIEM），其中规划、思考和执行代理协同工作，以精确建模复杂的图结构并动态调整信息提取策略，解决了多层次依赖建模和自适应推理深度的挑战。此外，多视角自反思（SR）模块通过自反思和逆向推理机制，提高了推理结果的准确性和语义一致性。实验证明，图谱顾问在多个图推理任务中优于现有方法，展现出更高的推理准确性和泛化能力。我们的代码可在 https://github.com/gjq100/Graph-Counselor.git 获取。