GraphScout：赋予大型语言模型内在探索能力以实现代理式图谱推理

知识图谱为实际应用提供结构化信息，促使研究者结合大语言模型与图谱检索以增强事实依据。现有 GraphRAG 方法依赖人工设计引导及有限预定义工具，限制了图谱探索。为此，本文提出 GraphScout，一种以训练为中心的代理式图谱推理框架，配备更灵活的探索工具。该框架使模型能自主交互知识图谱以合成结构化训练数据，进而通过后训练将代理式图谱推理能力内化，无需繁琐的人工标注。实验表明，经 GraphScout 增强的小模型在五个领域平均性能超越基于领先大模型的基线方法 16.7%，且推理 token 消耗显著降低，同时具备鲁棒的跨域迁移能力。