GraphAgents：知识图谱引导的代理人工智能用于跨领域材料设计

针对大语言模型在跨域科学发现中易产生幻觉且难以建立有意义连接的挑战，本文提出了一种由大规模知识图谱引导的多智能体框架 GraphAgents。该框架通过问题分解、证据检索及图遍历等专用智能体，挖掘不同知识片段间的潜在联系以支持假设生成。消融实验表明，这种分布式专业化与关系推理机制优于单次提示方法。系统通过调整图遍历策略，在聚焦关键结果的利用性搜索与发现新兴交叉联系的探索性搜索间切换，成功设计了可持续的 PFAS 替代材料。