Les chercheurs proposent AgentKGV, un cadre LLM-RAG agentique conçu pour la vérification fiable des faits des graphes de connaissances à l'échelle industrielle. Le système intègre le routage dynamique et la réécriture itérative des requêtes pour résoudre le problème de mismatch de forme de surface dans la récupération au niveau du document.
- Le cadre emploie une stratégie de formation en deux étapes : SFT basé sur la distillation au niveau du tour pour un raisonnement stable et GRPO au niveau de la trajectoire pour optimiser la politique de recherche.
- Sur la division des prédicats à longue traîne du benchmark T-REx, AgentKGV améliore le macro-F1 par rapport au RAG en un seul tour de 5,5 %.
- La formation en deux étapes apporte une amélioration supplémentaire de 9,4 % du macro-F1.
- GRPO réduit le nombre moyen d'appels de recherche de 3,24 à 1,63 sans diminuer la précision.
Cette approche permet une vérification plus précise et rentable en réduisant les récupérations inutiles tout en maintenant des performances élevées sur les graphes de connaissances bruités.