AgentKGV usa treinamento em duas etapas para melhorar a verificação de fatos em KG e reduzir chamadas de busca

Pesquisadores propõem o AgentKGV, um framework LLM-RAG agêntico projetado para a verificação confiável de fatos em grafos de conhecimento em escala industrial. O sistema integra roteamento dinâmico e reescrita iterativa de consultas para abordar a incompatibilidade de forma superficial na recuperação em nível de documento.

• O framework emprega uma estratégia de treinamento em duas etapas: SFT baseado em destilação por turno para raciocínio estável e GRPO por trajetória para otimizar a política de busca.
• Na divisão de predicados de cauda longa do benchmark T-REx, o AgentKGV melhora o macro-F1 sobre RAG de única etapa em 5,5%.
• O treinamento em duas etapas fornece uma melhoria adicional de 9,4% no macro-F1.
• O GRPO reduz o número médio de chamadas de busca de 3,24 para 1,63 sem diminuir a precisão.

Esta abordagem permite uma verificação mais precisa e eficiente em custos ao reduzir a recuperação desnecessária enquanto mantém alto desempenho em grafos de conhecimento ruidosos.