智能体与知识图谱

11.1 什么使系统成为智能体

AI智能体依据观察、内部状态与可用工具，选择并执行面向任务的动作。自主程度各异：有的系统使用固定工作流，只在某一步调用模型；有的跨多步选择工具并修订计划。知识图谱可为两者提供结构状态、记忆、约束和证据。加入图谱不会自动产生自主性，自主也不表示所有动作都应交给模型。

ReAct研究语言模型系统中推理与行动的交替[40]。对知识图谱应用，其架构启示是系统能够检查信息、选择下一动作，并依据结果调整方法。审计不要求用户访问模型私有内部推理；有用记录应保存可观察的工具调用、返回数据、选用证据及实际动作。

研究证据图谱智能体的任务有明确边界：用可追溯证据回答研究问题，并在收到新文档时准备待审核的图谱更新建议。它默认没有发布结论、修改来源文件或作外部承诺的权限。这一范围使工具接口和评价聚焦具体行为，也使恢复更容易，因为系统知道哪些动作属于正当任务。

11.2 作为智能体记忆的图谱

智能体记忆可以按功能区分：情景记忆记录交互与事件，语义记忆存储相对稳定概念与事实，程序性记忆保存可复用方法或工作流。图谱可以关联它们，却不能混为一谈。用户曾询问某主题是一件交互事件，不证明永久偏好，更不证明该主题的科学主张为真。

记忆应包含来源、时间、范围与纠正机制。由行为推断的偏好应区别于用户明确指令，临时任务限制不能成为永久全局规则。多用户记忆还需拥有者和访问政策。图关系增强跨任务检索，也可能比孤立笔记更广泛地传播错误或未经授权的推断。

建议记忆模型将用户确认的偏好、抽取的领域主张与执行日志分开。检索按照任务选择记忆类型：寻找写作偏好时，不能把科学证据当作等价来源。用户修正偏好后，系统更新活动记录，并保留足够历史说明变化，使个性化保持可解释。

11.3 图谱引导的规划与探索

Think-on-Graph将语言模型作为探索知识图谱、寻找有前景推理路径的智能体[37]；Reasoning on Graphs则围绕有图谱依据的关系路径，分开规划、检索与推理[38]。这些方法展示问答时利用显式结构的方式，但基准结果只适用于各自实验设置，不能证明任意组织图谱或行动型智能体具有无限制可靠性。

实际规划器可以利用模式提出类型化操作序列。例如回答“哪些已接受主张依赖被更正的数据集版本”，依次解析数据集、遍历依赖、过滤主张状态和检索证据，每步由工具契约验证。若所需关系不存在，应修订计划或解释缺口，而不是针对想象出来的模式生成查询。

图探索应限制深度、结果数、时间和成本。无边界时，高度节点可能引起庞大扩展，却几乎不增添相关信息。停止规则应依据证据充分性和任务要求：已有所需来源、新检索不再提供有用证据，或预算耗尽时停止。“答案读起来流畅”不是可靠的证据标准。

11.4 类型化工具与受控执行

类型化工具接收结构参数并返回规定结果。建议接口提供resolve_entity、get_claim_evidence、find_dependencies和propose_assertion等操作，而非在每一步开放无限制数据库命令。这些名称表达应用能力，不要求特定框架；实现可以使用Cypher、SPARQL或其他后端，但必须执行相同契约。

探索分析仍可使用受控查询工具，但应区分读取与写入，验证查询结构、绑定参数、设置超时，并限制可用过程。只读应尽量由执行环境或数据库角色强制保障，不能仅让模型承诺不写。工具返回还应标明截断，避免智能体把结果数量上限误当成完整覆盖。

写操作会改变未来知识，因此契约要更严格。建议断言应包含规范论元、关系类型、证据、限定条件和预期图版本，随后验证写入是否可接受，以及准备建议后底层状态是否变化。幂等键防止重试重复建记录。这些控制支持可靠自动化，而无需人工监督每次无害读取。

11.5 证据不是指令通道

文档和图属性可能包含貌似指令的文本，例如“忽略此前规则”或要求发送数据到其他地方。在研究流程中，它们是待分析的来源内容，不是支配智能体的权限。执行层应保留边界；若仍将不可信文本混入模型上下文，且不区分数据与授权指令，图谱本身不能消除提示注入风险。

建议智能体标记工具输出来源，只依据用户已授权任务和系统政策选择动作。与研究问题有关时，可以引用或总结文档中的指令，但不会仅因指令出现在证据中就执行。这对写工具与外部服务尤其重要。溯源识别内容来自哪里，权限检查决定智能体可以如何使用它。

11.6 规划知识与行动授权

图谱可以描述可能动作、前提与预期效果，例如工作流要求分析发布前验证数据集，智能体可据此规划。但发布服务仍需在执行时验证当前真实前提，因为存储的验证记录可能过时，检索快照也可能落后于操作系统。

这能处理一种常见弱点：将CAN_APPROVE之类语义关系直接当作充分授权。图谱可帮助找到相关角色，但当前行动者是否有权执行，应由权威权限系统裁定。同样，用户属于团队的路径若成员资格已过期，或权限只适用于另一项目，就不足以授权。执行时必须检查时间、范围与政策版本。

11.7 恢复 学习与多智能体

智能体应保存操作失败后恢复所需状态。检索超时可以重试有界读取；写响应丢失，应先查幂等键再重复写入；任务中模式改变，应重新读取相关契约。动作具有明确前提和结果时，恢复比嵌入长篇自由脚本更易测试。

多个智能体共享图谱不等于自动协同，它们可能使用不同快照、加入冲突主张或重复劳动。共享任务记录可标识归属、状态与接受产物；乐观并发检查发现过时更新，来源记录说明哪个智能体生成候选。语义冲突仍可能需要人工或确定性政策裁决。若多个模型共享来源与假设，彼此同意并不是独立实证确认。

从交互学习应有选择性。一次任务成功不代表每项中间推断都正确。系统可保留已验证纠正、可复用工具结果和用户确认偏好，将推测性推理留在持续事实记忆之外，防止临时错误成为后续可信前提。记忆质量应在连续任务中评价，才能看到累积与纠正效应。

11.8 近期方向与部署标准

Think-on-Graph 2.0研究更丰富信息访问条件下的图引导检索[44]；Youtu-GraphRAG提出更整合的智能体方法，连接建图与检索[43]。它们是有价值的研究方向案例，但本报告引用可识别的预印本记录，不把性能主张视为独立复现结果。这里的主要启示是架构上的：构建、模式、检索和推理越来越相互作用，而非孤立模块。

智能体自主程度不应超过任务评价所支持的水平。可靠检索证据的研究助手，仍可能不善于更新规范图谱；能写入合法记录的系统，也未必适合自动发表结论。评价应分别检查读取、规划、更新、权限遵守与恢复质量。只要保留每项重要信息的状态和来源，知识图谱就能使这些维度可观察。