AgentKGV menggunakan pelatihan dua tahap untuk meningkatkan verifikasi fakta KG dan mengurangi panggilan pencarian

Peneliti mengusulkan AgentKGV, sebuah kerangka kerja LLM-RAG agens yang dirancang untuk verifikasi fakta grafik pengetahuan yang andal pada skala industri. Sistem ini mengintegrasikan routing dinamis dan penulisan ulang kueri iteratif untuk mengatasi ketidakcocokan bentuk permukaan dalam pengambilan dokumen.

• Kerangka kerja ini menerapkan strategi pelatihan dua tahap: SFT berbasis distuksi tingkat giliran untuk penalaran yang stabil dan GRPO tingkat lintasan untuk mengoptimalkan kebijakan pencarian.
• Pada split predikat ekor panjang dari benchmark T-REx, AgentKGV meningkatkan macro-F1 sebesar 5,5% dibandingkan RAG satu giliran.
• Pelatihan dua tahap memberikan peningkatan tambahan sebesar 9,4% pada macro-F1.
• GRPO mengurangi jumlah panggilan pencarian rata-rata dari 3,24 menjadi 1,63 tanpa menurunkan akurasi.

Pendekatan ini memungkinkan verifikasi yang lebih akurat dan hemat biaya dengan mengurangi pengambilan yang tidak perlu sambil mempertahankan kinerja tinggi pada grafik pengetahuan yang berisik.