論文の概要: Knowledge Graphs as Files: An Agent Harness Where Tool Creation and Tool Use Co-Evolve
- arxiv url: http://arxiv.org/abs/2610.18616v1
- Date: Tue, 13 Oct 2026 16:00:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.672735
- Title: Knowledge Graphs as Files: An Agent Harness Where Tool Creation and Tool Use Co-Evolve
- Title（参考訳）: ファイルとしての知識グラフ:ツールの作成とツールが共用するエージェントハーネス
- Abstract要約: 言語モデルエージェントは、完全なノードとエッジファイルに直接グラフアクセスツールを作成する。
実行フィードバックはツールの作成と修正をガイドし、進化するツールはエージェントが次に収集する証拠を決定する。
DKGIは、最小限のハーネスでも、すべてのグラフで少なくとも6.7 Hit@1ポイントの最大のベースラインを超えている。
- 参考スコア（独自算出の注目度）: 7.828385208485471
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Searching text-rich knowledge graphs requires following relations while examining textual evidence. Predefined graph interfaces constrain what evidence agents can access, even when they write code to combine tool calls or process retrieved subgraphs. We propose direct knowledge graph interaction (DKGI), a harness in which language model agents create graph access tools directly over complete node and edge files. The agent writes Python code to follow relations, combine node sets, and select textual evidence, interleaving execution with shell search and file inspection. This lets agents process large node sets in bulk while returning selected text for the model to assess. Execution feedback guides tool creation and revision, while the evolving tools determine what evidence the agent gathers next. On benchmark datasets spanning three domains, training-free DKGI exceeds the strongest published baseline by at least 6.7 Hit@1 points on every graph, even with a minimal harness. Controlled ablations show the benefits of multi-turn programming over shell-only access and predefined graph tools, while trajectories show agents revising code to extend searches or address errors. These findings highlight the value of allowing tool creation and tool use to co-evolve during graph search. Our code and data are available at https://github.com/leopoldwhite/DKGI.
- Abstract（参考訳）: テキストリッチな知識グラフを検索するには、テキスト証拠を調べながら、従う必要がある。
事前に定義されたグラフインターフェースは、ツールコールや検索されたサブグラフを結合するコードを書く場合でも、エビデンスエージェントがアクセス可能なものを制限する。
言語モデルエージェントが完全なノードおよびエッジファイル上でグラフアクセスツールを直接作成するハーネスである、直接知識グラフ相互作用(DKGI)を提案する。
エージェントはPythonコードを書き、関係に従い、ノードセットを結合し、テキストエビデンスを選択し、シェル検索とファイルインスペクションで実行をインターリーブする。
これにより、エージェントはモデルを評価するために選択されたテキストを返す間、大きなノードセットをバルクに処理できる。
実行フィードバックはツールの作成と修正をガイドし、進化するツールはエージェントが次に収集する証拠を決定する。
3つのドメインにまたがるベンチマークデータセットでは、トレーニングなしのDKGIは、最小限のハーネスでも、すべてのグラフ上で少なくとも6.7 Hit@1ポイントの最大のベースラインを超えた。
制御された改善は、シェルのみのアクセスと事前に定義されたグラフツールよりも、マルチターンプログラミングの利点を示している。
これらの知見は,グラフ検索においてツール作成とツール利用を共同開発する上での価値を強調している。
私たちのコードとデータはhttps://github.com/leopoldwhite/DKGIで公開されています。
関連論文リスト
- FRACTION: Fraud Explanation Generation via Agentic Graph Context Navigation [67.14925690625753]
本稿では,Fraud Explanation Generation by Agentic Graph Context NavigaTION (FRACTION)を提案する。
説明の質を評価するために, 忠実度, グラフの接地, 有用性, 一貫性, 簡潔さを評価するタスク特化ルーブリックを導入する。
グラフエージェントを訓練するために,ツール使用行動と構造的説明生成の両方を学習するルーリック誘導型トラジェクトリー蒸留法を提案する。
論文 参考訳（メタデータ） (2026-10-13T09:16:24Z) - GraphForge: Training Working Agents with Graph-Anchored Workspace Synthesis [43.52692807860223]
既存のパイプラインは、リアリズムと多様性に欠けるモデルでファイルを生成するか、タスク固有の検証なしで実際のファイル上でタスクを構築する。
GraphForgeはエビデンスグラフベースのフレームワークで、実際のファイルでタスクと検証の両方を基盤としています。
論文 参考訳（メタデータ） (2026-09-30T04:07:17Z) - Inference-Time Graph Engineering for Multi-Agent LLM Workflows [51.56038180639833]
ReActNetは、クエリとロール特化エージェントのセットを一連の有向通信グラフにコンパイルする、トレーニング不要のフレームワークである。
ReActNetは、競争的推論コストを維持しつつ、固定トポロジと学習トポロジのベースラインを一貫して改善することを示す。
論文 参考訳（メタデータ） (2026-09-04T23:32:11Z) - Schema-Agnostic Graph Reasoning Agent for Hybrid Knowledge Graphs [42.698418800007865]
本稿では,ハイブリッド知識グラフを探索するグラフ推論エージェントGRAを紹介する。
258の産業ベンチマークであるUFK-Mでは、GRAは5.1ppのフルコンテキストエージェントを上回った。
グラフのない制御は、主にグラフトポロジではなく、選択的なエージェントアクセスから得られる利得を示している。
論文 参考訳（メタデータ） (2026-08-16T16:10:32Z) - GABench: A Comprehensive Benchmark for Evaluating LLM Agents on Graph Analysis Tasks [43.75794490292518]
グラフ解析では、エージェントがデータにアクセスし、グラフ環境で操作を実行する必要がある。
既存の大規模言語モデル(LLM)のグラフベンチマークは、グラフタスクとグラフタイプを限定的にカバーする。
エージェントグラフ解析のための総合ベンチマークであるGABenchを紹介する。
論文 参考訳（メタデータ） (2026-08-03T04:18:31Z) - GraphScout: Empowering Large Language Models with Intrinsic Exploration Ability for Agentic Graph Reasoning [46.699075133532595]
近年のGraph-based Retrieval-Augmented Generation (GraphRAG)法では,知識グラフと大規模言語モデル (LLM) の反復的相互作用を導入し,推論能力を向上させる。
より柔軟なグラフ探索ツールを備えたトレーニング中心のエージェントグラフ推論フレームワークであるGraphScoutを提案する。
論文 参考訳（メタデータ） (2026-03-02T03:25:40Z) - Graph-Anchored Knowledge Indexing for Retrieval-Augmented Generation [53.42323544075114]
グラフアンコール型知識インデックス手法であるGraphAnchorを提案する。
4つのマルチホップ質問応答ベンチマークの実験では、GraphAnchorの有効性が示されている。
論文 参考訳（メタデータ） (2026-01-23T05:41:05Z) - GraphAgent: Agentic Graph Language Assistant [23.28223204340633]
明示的なグラフ依存と暗黙的なグラフ強化セマンティック相互依存性に対処する自動エージェントパイプラインであるGraphAgentを提案する。
GraphAgentには3つの重要なコンポーネントがある: (i) 複雑なセマンティックな依存関係を反映した知識グラフを構築するグラフ生成エージェント; (ii) 多様なユーザクエリを解釈し、エージェントによる自己計画を通じて対応するタスクを定式化するタスク計画エージェント; (iii) ユーザクエリに対応するツールマッチングと呼び出しを自動化しながら、計画されたタスクを効率的に実行するタスク実行エージェント。
論文 参考訳（メタデータ） (2024-12-22T14:13:32Z) - GraphReader: Building Graph-based Agent to Enhance Long-Context Abilities of Large Language Models [58.08177466768262]
大規模言語モデル(LLM)では、複雑なロングコンテクストのタスクに対処するためには、ロングコンテクストの能力が不可欠である。
グラフをグラフに構造化し、エージェントを使ってグラフを自律的に探索することで、長いテキストを扱うように設計されたグラフベースのエージェントシステムであるGraphReaderを紹介する。
LV-Evalデータセットの実験結果によると、GraphReaderは4kコンテキストウィンドウを使用して、16kから256kまでのコンテキスト長で一貫してGPT-4-128kを上回っている。
論文 参考訳（メタデータ） (2024-06-20T17:57:51Z) - Learning Multiplex Representations on Text-Attributed Graphs with One Language Model Encoder [55.24276913049635]
テキスト分散グラフ上での多重表現学習のための新しいフレームワークMETAGを提案する。
既存の手法とは対照的に、MeTAGは1つのテキストエンコーダを使用して関係性間の共有知識をモデル化する。
学術分野と電子商取引分野の5つのグラフにおいて,9つの下流タスクについて実験を行った。
論文 参考訳（メタデータ） (2023-10-10T14:59:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。