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

细胞膜电学特性的分数阶微积分建模

分数阶微积分在细胞膜电学特性建模中的应用主要体现在对细胞膜的电容行为和神经元放电活动的更精确描述上。

冰河世纪20的博客 628

华为防火墙USG6000系列多ISP上网(通过WEB界面设置)

华为防火墙多ISP上网,内网分区上网。内网多网段不同上网方式。

daxihe880的博客 1万+

C语言--第三大的数

第三大的数 给定一个非空数组,返回此数组中第三大的数。如果不存在,则返回数组中最大的数. 示例1: 输入: [3, 2, 1] 输出: 1 解释: 第三大的数是 1. 示例2: 输入: [1, 2] 输出: 2 解释: 第三大的数不存在, 所以返回最大的数 2 . ...

loreal8的博客 2136

深入解析Simulink中的条件执行子系统:If Action与Switch Case的实战应用

本文深入解析了Simulink中两种核心的条件执行子系统:If Action Subsystem与Switch Case Action Subsystem。通过实战案例详细阐述了其工作原理、正确搭建方法以及与逻辑控制器(If模块/Switch Case模块)的协同机制,帮助工程师实现清晰、可维护的多分支逻辑控制,并规避常见建模错误。

l3m4n的博客 430

华为OD机试 - 比赛的冠亚季军(Python/JS/C/C++ 双机位C卷 100分)

有个运动员,他们的id为0到N-1,他们的实力由一组整数表示。他们之间进行比赛,需要决出冠亚军。比赛的规则是0号和1号比赛,2号和3号比赛,以此类推,每一轮,相邻的运动员进行比赛,获N (3\leq N< 10000)胜的进入下一轮,实力值大的获胜,实力值相等的情况,id小的情况下获胜,轮空的直接进入下一轮。(0 <= 实力值 <= 10000000000)。输入一行N个数字代表N的运动员的实力值。输出冠亚季军的id,用空格隔开。

学Java,找哪吒 1591

SAP_ABAP_MM_BAPI清单案例教程——采购发票校验/预制_BAPI_INCOMINGINVOICE_PARK_MIRO

SAP ABAP BAPI_INCOMINGINVOICE_PARK BAPI 采购发票预制 采购发票校验 代码模版

java_zhong1990的专栏 1967

MATLAB - 浮动基座机器人的逆运动学

本例演示如何解决以浮动底座为模型的机器人的逆运动学问题。浮动底座机器人可以在空间中自由平移和旋转,具有六个自由度。浮动基座机器人的逆运动学问题适用于空间应用,即使用安装在浮动和致动基座上的机械臂在空间操纵物体,也适用于躯干和腿部可在空间自由移动的行走机器人。请注意,刚体树对象表示具有固定基体的刚体树。这意味着刚体树的基体在世界中具有固定的位置和方向。您可以在基体上附加一个 “浮动 ”类型的刚体关节,为具有浮动基体的机器人建模,以用于动态模拟等某些应用。

机器人控制与仿真应用 2446

为YOLOv11引入加权双向特征金字塔(BiFPN)

本文介绍了将BiFPN应用于YOLOv11模型以提升边缘设备上小目标检测精度的实践。针对传统FPN在特征融合时的信息丢失问题,采用带可学习权重的BiFPN结构进行改造,实现了不同层级特征的动态融合。重点阐述了WeightedFeatureFusion模块的实现细节、neck结构改造方法及训练部署注意事项。实验表明,该改进使小目标AP提升3.1%,参数量仅增加5%,在精度和效率间取得良好平衡。文章还分享了权重初始化、归一化处理等实用技巧,并强调需根据数据特性评估改进效果,重新计算anchor等关键点。

as1225120794的博客 352

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

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,

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
⌂ 换网址