arXiv cs.CL· Mikhail Menschikov, Matvey Iskornev, Alexander Kharitonov, Alina Bogdanova, Mikhail Belkin, Ekaterina Lisitsyna, Artyom Sosedka, Victoria Dochkina, Ruslan Kostoev, Ilia Perepechkin, Evgeny Burnaev·· 12 小时前AI 评分32
PersonalAI 2.0：用规划机制增强个性化 LLM 智能体的知识图谱遍历与检索
PersonalAI 2.0: Enhancing knowledge graph traversal/retrieval with planning mechanism for Personalized LLM Agents
AI 导读
PersonalAI 2.0（PAI-2）框架通过提取实体、匹配图顶点和生成线索查询，实现自适应迭代的信息搜索，以增强 LLM 对外部知识图谱的利用。
正文 · AI 翻译
作者：Mikhail Menschikov、Matvey Iskornev、Alexander Kharitonov、Alina Bogdanova、Mikhail Belkin、Ekaterina Lisitsyna、Artyom Sosedka、Victoria Dochkina、Ruslan Kostoev、Ilia Perepechkin、Evgeny Burnaev
摘要：我们提出 PersonalAI 2.0（PAI-2），这是一个新颖的框架，旨在通过集成外部知识图谱（KG）来增强基于 LLM 的系统。所提出的方法通过引入动态的多阶段流水线，解决了现有图检索增强生成（GraphRAG）方法的关键局限。PAI-2 设计的核心在于其能够执行自适应、迭代式的信息搜索，并由提取的实体、匹配的图顶点和生成的线索查询引导。在五个基准（Natural Questions、TriviaQA、HotpotQA、2WikiMultihopQA 和 MuSiQue）上进行的评估表明，与基线方法（LightRAG、RAPTOR、HippoRAG 2 和 PAI-1）相比，生成答案的事实正确性有所提升。在 2WikiMultihopQA 和 MuSiQue 基准上，PAI-2 通过 LLM-as-a-Judge 平均获得 9 个百分点的提升；在 TriviaQA 和 HotpotQA 基准上，使用 Qwen2.5 7B 和 multilingual-e5-large 时，其准确率与 HippoRAG 2 相当，这反映了其在降低幻觉率和提高召回率方面的有效性。我们表明，启用搜索计划增强机制后，在五个基准上通过 LLM-as-a-Judge 平均比禁用该机制提升 18 个百分点。此外，消融研究表明，PAI-2 在 MINE-1 基准上取得了更优结果，使用 Qwen2.5 7B 和 multilingual-e5-large 时获得 89\% 的信息保留分数。总体而言，这些发现凸显了 PAI-2 作为可复用组件的潜力，适用于需要上下文感知知识表示和推理能力的个性化 AI 应用。PAI-2 的源代码可在以下链接获取：this https URL。
| 学科： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2605.13481 [cs.CL] |
| （或 arXiv:2605.13481v4 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.13481 arXiv 颁发的 DOI（通过 DataCite） |
提交历史
来自：Mikhail Menschikov [查看邮箱]
[v1]
2026年5月13日 星期三 13:06:30 UTC（6,109 KB）
[v2]
2026年9月17日 星期四 05:06:02 UTC（7,444 KB）
[v3]
2026年9月18日 星期五 10:22:40 UTC（7,444 KB）
[v4]
2026年10月21日 星期三 13:13:03 UTC（7,197 KB）
来源：arXiv cs.CL · arxiv.org