يقترح الباحثون AgentKGV، وهو إطار عمل LLM-RAG وكيلي مصمم للتحقق الموثوق من حقائق رسوم بيانية للمعرفة على النطاق الصناعي. يدمج النظام التوجيه الديناميكي وإعادة كتابة الاستعلامات التكرارية لمعالجة عدم التطابق في الشكل السطحي في استرجاع المستندات.
- يعتمد الإطار استراتيجية تدريب على مرحلتين: SFT قائم على التقليم على مستوى الدور للاستدلال المستقر و GRPO على مستوى المسار لتحسين سياسة البحث.
- على تقسيم الأفعال طويلة الذيل في معيار T-REx، يحسن AgentKGV متوسط-F1 بنسبة 5.5% مقارنة بـ RAG ذو الدور الواحد.
- يوفر التدريب على مرحلتين تحسينًا إضافيًا بنسبة 9.4% في متوسط-F1.
- يقلل GRPO من عدد استدعاءات البحث المتوسط من 3.24 إلى 1.63 دون خفض الدقة.
يتيح هذا النهج تحققًا أكثر دقة وفعالية من حيث التكلفة عن طريق تقليل الاسترجاع غير الضروري مع الحفاظ على أداء عالٍ على رسوم بيانية للمعرفة مليئة بالضوضاء.