多Agent协作的知识推理框架

doi:10.11772/j.issn.1001-9081.2025030349

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (3): 708-714.DOI: 10.11772/j.issn.1001-9081.2025030349

多Agent协作的知识推理框架

王日龙¹^,², 李振平¹, 李晓松¹, 高强¹, 何亚³, 钟勇³, 赵英潇¹()

^1.军事科学院军事科学信息研究中心，北京 100142
^2.上海交通大学电子信息与电气工程学院，上海 200240
^3.中国科学院成都计算机应用研究所，成都 610213

收稿日期:2025-04-03 修回日期:2025-07-01 接受日期:2025-07-03 发布日期:2025-08-06 出版日期:2026-03-10
通讯作者: 赵英潇
作者简介:王日龙（1996—），男，湖南益阳人，硕士研究生，主要研究方向：情报学、自然语言处理
李振平（1990—），男，河南郑州人，博士研究生，主要研究方向：自然语言处理
李晓松（1981—），安徽宿松人，研究员，博士，主要研究方向：数据分析
高强（1987—），男，浙江长兴人，高级工程师，硕士，主要研究方向：数据科学、大语言模型
何亚（1981—），男，四川成都人，高级工程师，硕士，主要研究方向：智慧城市、大数据、数据挖掘、机器学习
钟勇（1966—），男，四川岳池人，研究员，博士，CCF会员，主要研究方向：大数据、人工智能、软件过程
基金资助:
国家社会科学基金重大项目(23ZDA119)

Multi-Agent collaborative knowledge reasoning framework

Rilong WANG¹^,², Zhenping LI¹, Xiaosong LI¹, Qiang GAO¹, Ya HE³, Yong ZHONG³, Yingxiao ZHAO¹()

^1.Military Science Information Research Center，Academy of Military Science，Beijing 100142，China
^2.School of Electronic Information and Electrical Engineering，Shanghai Jiao Tong University，Shanghai 200240，China
^3.Chengdu Institute of Computer Application，Chinese Academy of Sciences，Chengdu Sichuan 610213，China

Received:2025-04-03 Revised:2025-07-01 Accepted:2025-07-03 Online:2025-08-06 Published:2026-03-10
Contact: Yingxiao ZHAO
About author:WANG Rilong， born in 1996， M. S. candidate. His research interests include information science， natural language processing.
LI Zhenping， born in 1990， Ph. D. candidate. His research interests include natural language processing.
LI Xiaosong， born in 1981， Ph. D.， research fellow. His research interests include data analysis.
GAO Qiang， born in 1987， M. S.， senior engineer. His research interests include data science， large language model.
HE Ya， born in 1981， M. S.， senior engineer. His research interests include smart city， big data， data mining， machine learning.
ZHONG Yong， born in 1966， Ph. D.， research fellow. His research interests include big data， artificial intelligence， software process.
Supported by:
Major Project of National Social Science Foundation of China(23ZDA119)

摘要/Abstract

摘要：

情报分析的核心任务是从海量数据中提取事件关联并推导因果关系。然而，当前基于大语言模型（LLM）的方法在处理长文本时，受限于上下文窗口和计算复杂度，难以有效捕捉事件间的因果关联，导致推理能力显著下降，这一现象在参数规模较小的语言模型中尤为突出。针对这一问题，提出一种多Agent协作的知识推理（MAKR）框架。该框架通过增量式构建实体关系图，显式建模实体间的复杂关联，从而辅助LLM实现更精准的因果推理。双塔结构的设计使图模型与语言模型能够分别独立处理图结构信息和文本信息，并通过融合机制增强模型对长文本中复杂逻辑关系的理解能力。此外，在语言预测任务的基础上，增加针对图中节点关系的预测任务，从而进一步优化语义对齐效果。实验结果表明，在有限的计算资源条件下，在GDELT数据集的安全事件分析和OpenSanctions数据集的制裁关联分析任务中，MAKR框架的事件预测和因果推断的性能均显著优于HetGNN（Heterogeneous Graph Neural Network）和HiGPT等对比方法，验证了该框架在计算资源受限的工业场景中的实用价值。

关键词: 图神经网络, 大语言模型, 图结构感知, 军事情报分析, 图结构统一表示

Abstract:

The core mission of intelligence analysis is to extract event associations and perform causal inference from massive data. However， the existing Large Language Model （LLM）-based methods are constrained by the context window and computational complexity in processing long texts， so as to have difficulty in effective capture of causal associations between events， leading to a significant decline in inference capability， particularly in language models with limited parameter sizes. To address this issue， a Multi-Agent collaborative Knowledge Reasoning （MAKR） framework based on a dual tower structure was proposed. In the framework， the complex associations among entities were modeled explicitly through incremental construction of an entity relationship graph， thus assisting LLMs to achieve more accurate causal inference. The dual tower structure was designed to enable the graph model and the language model to process graph structure information and textual information， respectively. The comprehension ability of the model for complex logical relationships within long texts was enhanced through a fusion mechanism. Additionally， a prediction task for node relations in the graph was added on the basis of the language prediction task， thereby further optimizing the semantic alignment effect. Experimental results demonstrate that under conditions of limited computational resources， MAKR framework achieves superior performance in both event prediction and causal inference compared to the existing methods such as HetGNN （Heterogeneous Graph Neural Network） and HiGPT in the tasks of security event analysis of the GDELT dataset and sanction associated analysis of the OpenSanctions dataset. In conclusion， the practical value of the framework in industrial scenarios with constrained computational resources was validated.

Key words: Graph Neural Network (GNN), Large Language Model (LLM), graph structure awareness, military intelligence analysis, unified graph structure representation

中图分类号:

TP181

王日龙, 李振平, 李晓松, 高强, 何亚, 钟勇, 赵英潇. 多Agent协作的知识推理框架[J]. 计算机应用, 2026, 46(3): 708-714.

Rilong WANG, Zhenping LI, Xiaosong LI, Qiang GAO, Ya HE, Yong ZHONG, Yingxiao ZHAO. Multi-Agent collaborative knowledge reasoning framework[J]. Journal of Computer Applications, 2026, 46(3): 708-714.

图/表 4

参考文献 27

[1]	FU X， ZHANG J， MENG Z， et al. MAGNN： metapath aggregated graph neural network for heterogeneous graph embedding ［C］// Proceedings of the Web Conference 2020. New York： ACM， 2020： 2331-2341.
[2]	蒲云强，唐川，徐婧，等. 基于大语言模型的科技动态情报感知研究［J］. 情报理论与实践， 2025， 48（2）： 11-20.
	PU Y Q， TANG C， XU J， et al. Research on technology trends intelligence perception using large language models ［J］. Information Studies： Theory and Application， 2025， 48（2）： 11-20.
[3]	ZHONG Z， BARKOVA A， MOTTIN D. Knowledge-augmented graph machine learning for drug discovery： a survey ［J］. ACM Computing Surveys， 2025， 57（12）： No.302.
[4]	OpenSanctions global sanctions and sensitive entities dataset ［DS/OL］. ［2025-04-14］..
[5]	吕晓斌，黄浩森，周鑫，等. 融合知识图谱与对比学习的企业风险小样本鲁棒识别方法［J］. 计算机应用， 2024， 44（S2）： 55-60.
	LYU X B， HUANG H S， ZHOU X， et al. Robust few-shot enterprise risk identification method by integrating knowledge graph and contrastive learning ［J］. Journal of Computer Applications， 2024， 44（S2）： 55-60.
[6]	SHINN N， CASSANO F， GOPINATH A， et al. Reflexion： language agents with verbal reinforcement learning ［C］// Proceedings of the 37th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2023： 8634-8652.
[7]	HU Y， ZOU F， HAN J， et al. LLM-TIKG： threat intelligence knowledge graph construction utilizing large language model ［J］. Computers and Security， 2024， 145： No.103999.
[8]	DENG J， LI X， CHEN Y， et al. RACONTEUR： a knowledgeable， insightful， and portable LLM-powered shell command explainer ［EB/OL］. ［2025-03-01］..
[9]	LU Y， YANG X， LI X， et al. LLMScore： unveiling the power of large language models in text-to-image synthesis evaluation ［C］// Proceedings of the 37th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2023： 23075-23093.
[10]	DWIVEDI V P， JOSHI C K， LUU A T， et al. Benchmarking graph neural networks ［J］. Journal of Machine Learning Research， 2023， 24： 1-48.
[11]	HUANG W， XIA F， SHAH D， et al. Grounded decoding： guiding text generation with grounded models for embodied agents［C］// Proceedings of the 37th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2023： 59636-59661.
[12]	HU Z， DONG Y， WANG K， et al. Heterogeneous graph Transformer ［C］// Proceedings of the Web Conference 2020. New York： ACM， 2020： 2704-2710.
[13]	JIN W， MA Y， LIU X， et al. Graph structure learning for robust graph neural networks ［C］// Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2020： 66-74.
[14]	KIPF T N， WELLING M. Semi-supervised classification with graph convolutional networks ［EB/OL］. ［2025-02-15］..
[15]	HAO Q， HUANG W， FENG T， et al. GAT-MF： graph attention mean field for very large scale multi-agent reinforcement learning［C］// Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. New York： ACM， 2023： 685-697.
[16]	VELIČKOVIĆ P， CUCURULL G， CASANOVA A， et al. Graph attention networks ［EB/OL］. ［2025-03-11］..
[17]	ZHANG W， YIN Z， SHENG Z， et al. Graph attention multi-layer perceptron ［C］// Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. New York： ACM， 2022： 4560-4570.
[18]	TANG J， YANG Y， WEI W， et al. GraphGPT： graph instruction tuning for large language models ［C］// Proceedings of the 47th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2024： 491-500.
[19]	TANG J， YANG Y， WEI W， et al. HiGPT： heterogeneous graph language model ［C］// Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. New York： ACM， 2024： 2842-2853.
[20]	CHEN B， ZHANG J， ZHANG F， et al. Web-scale academic name disambiguation： the WhoIsWho benchmark， leaderboard， and toolkit ［C］// Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. New York： ACM， 2023： 3817-3828.
[21]	WANG X， JI H， SHI C， et al. Heterogeneous graph attention network ［C］// Proceedings of the 2019 World Wide Web Conference. New York： ACM， 2019： 2022-2032.
[22]	FEY M， LENSSEN J E. Fast graph representation learning with PyTorch Geometric ［EB/OL］. ［2024-10-15］..
[23]	SUN M， HAN R， JIANG B， et al. A survey on large language model-based agents for statistics and data science ［EB/OL］. ［2025-04-11］..
[24]	CHAN N， PARKER F， BENNETT W， et al. MedTsLLM： leveraging LLMs for multimodal medical time series analysis ［EB/OL］. ［2025-01-11］..
[25]	HAMILTON W L， YING R， LESKOVEC J. Inductive representation learning on large graphs ［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2017： 1025-1035.
[26]	WEI J， WANG X， SCHUURMANS D， et al. Chain-of-thought prompting elicits reasoning in large language models ［C］// Proceedings of the 36th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2022： 24824-24837.
[27]	HUANG K， JIN Y， CANDÈS E， et al. Uncertainty quantification over graph with conformalized graph neural networks ［C］// Proceedings of the 37th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2023： 26699-26721.

模型	OpenSanctions标签预测			OpenSanctions关系预测			GDELT标签预测			GDELT关系预测
模型	Mi-F1	Ma-F1	AUC	Mi-F1	Ma-F1	AUC	Mi-F1	Ma-F1	AUC	Mi-F1	Ma-F1	AUC
SAGE	32.93	26.47	50.34	30.32	29.63	48.34	31.67	25.93	49.34	29.36	24.36	57.12
GAT	—	—	—	33.74	30.64	51.48	—	—	—	31.32	25.75	48.36
HAN	—	—	—	34.07	22.50	49.22	—	—	—	33.40	21.08	49.06
HGT	32.40	16.31	50.00	30.56	27.35	53.00	30.43	15.50	50.00	28.11	16.63	48.41
HetGNN	37.43	31.39	53.18	35.32	41.12	50.18	44.21	39.39	53.18	42.36	40.41	56.63
HiGPT	45.40	41.77	59.69	44.56	32.74	56.69	35.43	31.31	59.69	33.88	32.36	51.32
MAKR	47.21	42.82	62.10	47.74	43.32	58.12	46.21	42.77	64.10	46.23	42.99	57.77

模型	OpenSanctions标签预测			OpenSanctions关系预测			GDELT标签预测			GDELT关系预测
模型	Mi-F1	Ma-F1	AUC	Mi-F1	Ma-F1	AUC	Mi-F1	Ma-F1	AUC	Mi-F1	Ma-F1	AUC
SAGE	32.93	26.47	50.34	30.32	29.63	48.34	31.67	25.93	49.34	29.36	24.36	57.12
GAT	—	—	—	33.74	30.64	51.48	—	—	—	31.32	25.75	48.36
HAN	—	—	—	34.07	22.50	49.22	—	—	—	33.40	21.08	49.06
HGT	32.40	16.31	50.00	30.56	27.35	53.00	30.43	15.50	50.00	28.11	16.63	48.41
HetGNN	37.43	31.39	53.18	35.32	41.12	50.18	44.21	39.39	53.18	42.36	40.41	56.63
HiGPT	45.40	41.77	59.69	44.56	32.74	56.69	35.43	31.31	59.69	33.88	32.36	51.32
MAKR	47.21	42.82	62.10	47.74	43.32	58.12	46.21	42.77	64.10	46.23	42.99	57.77

模型	参数量/10⁹	峰值显存/GB
GAT	2.1	1.8
HetGNN	4.7	2.3
HiGPT	6.9	15.6
MAKR	7.2	16.5

模型	参数量/10⁹	峰值显存/GB
GAT	2.1	1.8
HetGNN	4.7	2.3
HiGPT	6.9	15.6
MAKR	7.2	16.5

模型	OpenSanctions标签预测		OpenSanctions关系预测
模型	Mi-F1	Ma-F1	Mi-F1	Ma-F1
-SKG-Agent	36.52	34.40	44.42	39.82
-Alignment	45.06	40.86	39.81	36.03
MAKR	47.21	43.82	46.21	42.77

多Agent协作的知识推理框架

Multi-Agent collaborative knowledge reasoning framework

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 4

参考文献 27

相关文章 15

编辑推荐

Metrics

[1]	黄奕明, 邹喜华, 邓果, 郑狄. 预回答与召回过滤：双阶段RAG问答系统优化方法[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 696-707.
[2]	张昊洋, 张丽萍, 闫盛, 李娜, 张学飞. 面向知识图谱补全的大模型方法综述[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 683-695.
[3]	高飞, 陈董, 边帝行, 范文强, 刘起东, 吕培, 张朝阳, 徐明亮. 面向学科撤销后科研人员重分配的多阶段耦合决策框架[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 416-426.
[4]	姜皓骞, 张东, 李冠宇, 陈恒. 基于结构增强的层次化任务导向提示策略的对话推荐系统SetaCRS[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 368-377.
[5]	文洪建, 胡瑞娇, 吴保文, 孙家兴, 李环, 张晴, 刘杰. 基于图神经网络实现多尺度特征联合学习的中文作文自动评分[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 378-385.
[6]	吴俊锐, 杨江川, 喻海生, 邹赛, 汪文勇. 基于复增强注意力机制图神经网络的确定性网络性能评估方法[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 505-517.
[7]	林金娇, 张灿舜, 陈淑娅, 王天鑫, 连剑, 徐庸辉. 基于改进图注意力网络的车险欺诈检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 437-444.
[8]	谢欣冉, 崔喆, 陈睿, 彭泰来, 林德坤. 基于层次过滤与标签语义扩展的大模型零样本重排序方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 60-68.
[9]	何凡, 李理, 苑中旭, 杨秀, 韩东轩. 融合图注意力的概念关联记忆网络知识追踪模型[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 43-51.
[10]	李玟, 李开荣, 杨凯. 基于数据增强的子图感知对比学习[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 1-9.
[11]	杨兴耀, 齐正, 于炯, 张祖莲, 马帅, 沈洪涛. 时间感知和空间增强的双通道图神经网络会话推荐模型[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 104-112.
[12]	林怡, 夏冰, 王永, 孟顺达, 刘居宠, 张书钦. 基于AI智能体的隐藏RESTful API识别与漏洞检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 135-143.
[13]	张滨滨, 秦永彬, 黄瑞章, 陈艳平. 结合大语言模型与动态提示的裁判文书摘要方法[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2783-2789.
[14]	刘超, 余岩化. 融合降噪策略与多视图对比学习的知识感知推荐模型[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2827-2837.
[15]	卢燕群, 赵奕奕. 基于层次图神经网络和差异化特征学习的客户流失预测模型[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 3057-3066.