Think-on-Graph 3.0：通过多代理双演化上下文检索在异构图上实现高效自适应的LLM推理

检索增强生成（RAG）和基于图的 RAG 已成为增强大型语言模型（LLMs）外部知识的重要范例。然而，现有方法面临着根本性的权衡。基于图的方法虽然本质上依赖于高质量的图结构，但面临着重大的实际限制：手动构建的知识图谱的扩展成本过高，而从语料库中自动提取的图谱则受限于底层 LLM 提取器的性能，尤其是在使用较小的、本地部署的模型时。本文提出了 Think-on-Graph 3.0 (ToG-3)，一个新颖的框架，它引入了多智能体上下文演化和检索（MACER）机制来克服这些限制。我们的核心创新是动态构建和完善一个 Chunk-Triplets-Community 异构图索引，该索引开创性地结合了演化查询和演化子图的双演化机制，用于精确证据检索。这种方法解决了先前基于图的 RAG 方法的一个关键限制，即它们通常在单次传递中构建静态图索引，而不适应实际查询。一个由构造者、检索者、反思者和响应者组成的智能体系统，通过协作参与一个迭代过程，包括证据检索、答案生成、充分性反思，以及至关重要的演化查询和子图。这种双演化多智能体系统允许 ToG-3 在推理过程中自适应地构建目标图索引，从而缓解了静态、一次性图构建的固有缺点，并使得即使使用轻量级 LLMs 也能进行深度、精确的推理。广泛的实验表明，ToG-3 在深度和广度推理基准测试中均优于现有基线，消融研究证实了 MACER 框架各组件的有效性。