RouterKGQA：面向约束感知知识图谱问答的专用 - 通用模型路由

知识图谱问答（KGQA）通过将推理锚定于结构化可验证的知识图谱，有效缓解大语言模型幻觉。现有方法分为两类：基于检索的方法使用小型专用模型，效率高但易产生不可达路径且忽略隐式约束；基于智能体的方法使用大型通用模型，结构 grounding 能力强但成本高昂。本文提出 RouterKGQA 框架，实现专用与通用模型协作：专用模型生成推理路径，仅在必要时由通用模型执行知识图谱引导的修复，从而以极低成本提升性能。此外，引入约束感知答案过滤减少冗余，并设计更高效的通用智能体工作流以降低推理开销。实验表明，该方法在多个基准测试中平均 F1 提升 3.57，Hits@1 提升 0.49，且每问仅需 1.15 次 LLM 调用。