代码复现——SymAgent:一种用于知识图谱复杂推理的神经符号自学习Agent框架

VIP代码复现——SymAgent:一种用于知识图谱复杂推理的神经符号自学习Agent框架
根据《SymAgent: A Neural-Symbolic Self-Learning Agent Framework for Complex Reasoning over Knowledge Graphs》(《SymAgent:一种用于知识图谱复杂推理的神经符号自学习Agent框架》)论文思路,简单复现代码,以实现SymAgent中的Agent-Planner和Agent-Executor模块。Agent-Planner利用大语言模型的归纳推理能力从知识图谱中提取符号规则,指导高效的问题分解。
开通可读全文 ·1.6k 人阅读
最低0.47元/天 解锁文章

目录

摘要

abstract

0 SymAgent整体结构

1 导入模块和配置日志

2 Agent-Planner

3 Agent-Executor

4 自学习框:

5 其他组件

5.1大模型客户端 

5.2 Neo4j数据库

6 SymAgent

7 使用示例

总结


摘要

根据《SymAgent: A Neural-Symbolic Self-Learning Agent Framework for Complex Reasoning over Knowledge Graphs》(《SymAgent:一种用于知识图谱复杂推理的神经符号自学习Agent框架》)论文思路,简单复现代码,以实现SymAgent中的Agent-Planner和Agent-Executor模块。Agent-Planner利用大语言模型的归纳推理能力从知识图谱中提取符号规则,指导高效的问题分解。 Agent-Executor自主调用预定义的动作工具,以整合知识图谱和外部文档中的信息,解决知识图谱不完整的问题。还实现了其中的自学习框架,包含在线探索和离线迭代策略更新阶段,使代理能够自动合成推理轨迹并提升性能。

abstract

According to the paper idea of "SymAgent: A Neural-Symbolic Self-Learning Agent Framework for Complex Reasoning over Knowledge Graphs", the simple reproduction of modern code, Implement the Agent-Planner and Agent-Executor modules in SymAgent. Agent-Planner uses the inductive reasoning ability of large language models to extract symbolic rules from the knowledge graph to guide efficient problem decomposition. Agent-Executor autonomously invokes predefined action tools to integrate information from the knowledge graph and external documents to solve the problem of incomplete knowledge graph. It also implements a self-learning framework, including online exploration and offline iterative policy update phases, which enables agents to automatically synthesize inference trajectories and improve performance.

0 SymAgent整体结构

SymAgent为一个结合知识图谱(KGs)和 LLMs 来自主解决复杂推理任务的框架,包括:

  1. Agent-Planner:它从 KG 中提取符号规则来分解问题并规划推理步骤;
  2. Agent-Executor:它从反思和环境反馈中综合见解来回答问题;
  3. 自学习框架:为了解决标注推理数据的缺乏问题,引入了一个通过自主交互进行协同改进的自学习框架。

SymAgent整体架构如下图所示:

  • (a)SymAgent中的规划器,它从知识图谱(KG)中推导出符号规则来指导推理;
  • (b)SymAgent中的执行器,它进行自动动作调用以获取答案;
  • (c)用于迭代增强代理的自学习框架;

1 导入模块和配置日志

导入必要的库:requests, json, socket, re, wikipedia, neo4j, deque, time, logging;配置日志记录器,记录INFO级别及以上的日志:

import requests
import json
import socket
import re
import wikipedia
from neo4j import GraphDatabase
from collections import deque
import time
import logging

# 配置日志
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')
logger = logging.getLogger("SymAgent")

2 Agent-Planner

 AgentPlanner用于根据问题从知识图谱中提取符号规则,规划推理路径:

class AgentPlanner:
    def __init__(self, llm_client, kg_client):
        self.llm_client = llm_client
        self.kg_client = kg_client
        self.max_planning_depth = 3
        logger.info("AgentPlanner初始化完成")

    def plan_reasoning_path(self, question, context=None):
        """
        规划推理路径:从KG中提取符号规则
        返回:推理路径(action序列)和初始思考
        """
        logger.info(f"开始规划: {question}")

        # 1. 提取问题中的实体
        entities = self._extract_entities(question)
        logger.info(f"提取的实体: {entities}")

        # 2. 查询KG中的相关规则
        kg_rules = self._query_kg_rules(entities)
        logger.info(f"找到的KG规则: {len(kg_rules)}条")

        # 3. 使用LLM生成推理计划
        thought, plan = self._generate_reasoning_plan(question, kg_rules, context)
        logger.info(f"生成的推理计划: {len(plan)}个步骤")
        return thought, plan

    def _extract_entities(self, question):
        """使用LLM提取问题中的实体"""
        prompt = [
            {
                "role": "system",
                "content": (
                    "你是一个实体提取器。从用户问题中识别所有命名实体和关键概念。"
                    "返回JSON格式: {\"entities\": [\"实体1\", \"实体2\", ...]}"
                )
            },
            {"role": "user", "content": question}
        ]
        response = self.llm_client.send_message(prompt)
        logger.debug(f"实体提取响应: {response}")

        try:
            return json.loads(response).get("entities", [])
        except json.JSONDecodeError:
            logger.warning(f"实体提取响应不是有效JSON: {response}")
            # 尝试从原始响应中提取实体
            entities = re.findall(r'"([^"]+)"', response)
            return entities if entities else []
        except Exception as e:
            logger.error(f"实体提取失败: {str(e)}")
            return []

    def _query_kg_rules(self, entities):
        """从KG查询与实体相关的规则"""
        rules = []

        if not entities:
            return rules

        for entity in entities:
            # 查询直接关联的规则
            direct_query = """
                        MATCH (e1:Entity)-[r]->(e2)
                        WHERE e1.name = $entity OR e2.name = $entity
                        RETURN e1.name AS source, type(r) AS relation, e2.name AS target
                        """
            direct_rules = self.kg_client.run_query(direct_query, {"entity": entity})
            rules.extend(direct_rules)

            # 查询间接关联的规则(2跳)
            indirect_query = """
            MATCH (e1:Entity)-[r1]->(
VIP SymAgent:一种用于知识图谱复杂推理的神经符号自学习Agent框架 本周阅读的论文题目是《SymAgent: A Neural-Symbolic Self-Learning Agent Framework for Complex Reasoning over Knowledge Graphs》(《SymAgent:一种用于知识图谱复杂推理的神经符号自学Agent框架》)。在解决复杂推理问题时,大型语言模型容易产生幻觉,导致结果错误。为了解决这个问题,研究人员将知识图谱引入其中,以提高大语言模型的推理能力。 开通可读全文·1.1k 阅读·10 点赞·13 收藏 阅读全文

相关推荐

从理论到实践:SymAgent框架在知识图谱推理中的自学习机制解析

本文深入解析了SymAgent框架在知识图谱推理中的自学习机制。该框架通过神经符号结合的方式,将大语言模型的理解能力与知识图谱的精确性相融合,并引入核心的自学习循环,使智能体能在交互中持续优化策略、扩充知识,有效应对知识图谱不完整问题,实现性能的持续迭代与提升。

weixin_29207533的博客 246

解密SymAgent自学习黑盒:我是如何让AI在知识图谱推理中越学越聪明的

本文深入解析了SymAgent神经符号自学习框架如何通过“在线探索”与“离线迭代”的双引擎驱动,在知识图谱推理中实现持续进化。该框架让AI系统能够从每次交互中提取经验,动态扩充知识图谱并优化推理策略,从而在解决复杂问题时越学越聪明,为构建具备成长性的智能体提供了实践路径。

weixin_29204121的博客 374

Android手机免root玩转Kali NetHunter:Termux保姆级安装指南(附Kex VNC配置)

本文提供了一份详细的Android手机免root安装Kali NetHunter的保姆级指南。通过使用Termux终端模拟器,用户无需解锁Bootloader或获取root权限,即可在普通安卓设备上部署完整的Kali Linux渗透测试环境。教程涵盖了从环境准备、NetHunter核心安装到配置Kex VNC实现图形桌面访问的全过程,并附带了电脑投屏与常见问题解决方案,旨在打造一个便携的移动安全学习与测试平台。

weixin_29208327的博客 309

ThingsBoard 3.1.1版本在window本地运行之TB-Gateway服务搭建(三)

TB-gateway服务是TB不可或缺的部分,很多的协议都需要TB-gateway来做分类处理,今天我们就来做TB-Gateway服务搭建。

晚点遇见你,余生都是你! 2477

KEIL5编译报错L6200E:__stdout重定义问题分析与解决

本文深入分析KEIL5编译报错L6200E中__stdout重定义问题的根源,指出因未完整定义__stderr导致与标准库stdio_streams.o冲突。提供完整重定义标准流、启用MicroLIB库等解决方案,帮助开发者彻底解决Symbol multiply defined错误,提升嵌入式开发效率。

uran的专栏 960

实测有效!易灵思FPGA工程如何正确配置Efinity+Modelsim仿真环境

本文详细介绍了易灵思FPGA工程中如何高效配置Efinity与Modelsim联合仿真环境,包括软件版本匹配、系统环境变量设置、工程文件结构优化及仿真脚本深度优化等实战经验。通过实测数据验证,该方案可显著提升仿真效率,适用于不同规模的设计验证,帮助工程师快速搭建稳定高效的联仿环境。

m2n3b4v5c6的博客 410

ORB-SLAM3在windows11下的编译使用

近期在学习SLAM,想部署一下ORB-SLAM3,但是自己电脑是win11系统,因此就想着在win11上部署一下。但是网上看了一些教程,有一些博客,但是可能不适合我这种情况把,就很纠结。先说下结果,配置成功,过程极其痛苦。

weixin_44457768的博客 6099

【踩坑记录】colmap中的相机位姿的坐标系定义及其可视化结果的隐含转换

1 坐标系定义及转换   首先介绍一下世界坐标系和相机坐标系之间的转换,它们之间是存在一个转换关系的。现假设空间中一点X,它在相机坐标系下的坐标是Xcamera,在世界坐标系下的坐标是Xworld。假设它通过R和t实现从相机坐标系到世界坐标系之间的转换: Xworld = RXcamera + t   那么,由上式,我们可以推得从世界坐标系向相机坐标系的转换关系(RT=R-1,所以通常直接使用RT即可): Xcamera = RTXworld - RTt   所以,两个坐标系之间的转换,需要看其具体

zeeq的博客 2万+

【Flutter 面试题】 怎么减少Widget的重新构建?

关于 const 关键字的使用:在 Flutter 开发中,任何时候当你确定一个 Widget 在其整个生命周期内都不会发生变化时,使用 const 关键字声明这个 Widget。这样的声明告诉 Flutter 框架这个 Widget 可以在编译时生成,后续的构建周期中可以重用已经创建的 Widget,从而避免了重复的构建开销。这适用于静态文本、图标或整个不变的 Widget 树。

Code Metaverse 1580

11.1华为OD机试真题 新系统 - 整理学生编号 (Java/Py/C/C++/Js/Go)

11.1华为OD机试真题 新系统 - 整理学生编号 (Java/Py/C/C++/Js/Go)

算法大师! 536

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

上一篇: SymAgent:一种用于知识图谱复杂推理的神经符号自学习Agent框架
下一篇: R2-KG:通用双Agent框架,用于知识图谱上的可靠推理
yc_23
博客等级 码龄5年 445粉丝 40原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值