摘要
知识图谱常用于缓解大语言模型的知识过时与幻觉问题。现有框架依赖预定义算子检索事实并注入提示词，存在灵活性不足和扩展性受限两大瓶颈。为此，本文提出 Code-on-Graph（CoG），一种面向 LLM 与知识图谱融合的程序化推理框架。CoG 将检索到的知识图谱模式抽象为 Python 类，生成基于这些类的可执行代码，并在执行时实例化具体事实对象。该方法实现了灵活的代码级推理，避免了大规模事实直接注入提示词。实验表明，CoG 在多个基准测试中显著优于现有最先进模型。
AI 推荐理由
论文提出基于代码的程序化推理框架，核心解决 LLM 在知识图谱上的复杂推理问题。
研究机构
Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences
论文信息