前面筆者介紹了《??大模型在知識圖譜問答上的核心算法詳細思路及實踐????》，一般的Text2Sparql/Text2SQL技術路線圖如下，目標是獎自然語言轉話為可查詢的SQL語句。

目前基于KG+LLM+Agent的KBQA方案，在多語言場景未得到充分探索。下面來看一個智能體框架-mKGQAgent，通過模擬人類推理過程將自然語言問題轉化為SPARQL查詢。

mKGQAgent架構

mKGQAgent 工作流演示（在線階段）。在評估階段，mKGQAgent 利用經驗池中的實例來優化規劃，通過上下文學習訓練示例提升 SPARQL 查詢生成意識，并借助反饋糾正潛在錯誤。離線階段，則是為收集經驗池所必需。評估或在線階段——即 mKGQAgent 各組件及其集成模塊的調度過程。

工作流程分為離線階段和評估（在線）階段，核心是模塊化的子任務分解與協同，結合經驗池（Experience Pool）和工具調用提升多語言場景下的性能。

1、離線階段（Offline Phase）

離線階段的核心是構建經驗池（Experience Pool），為在線階段的推理提供上下文學習的示例。該階段通過一個簡化版代理（SAgent）完成，包括以下步驟：

1.1 命名實體鏈接工具（Named Entity Linking, NEL Tool）

模擬人類查詢知識圖譜中資源標識符的行為，將自然語言中的實體和關系候選映射到知識圖譜中的URI（統一資源標識符）。例如，將“Angela Merkel”鏈接到Wikidata的URI（Q567）。

復用現有NEL服務（如Wikidata的實體查詢接口）和關系鏈接工具（如Falcon 2.0），而非提出新算法:

1. 輸入實體候選（E）和關系候選（R）；
2. 調用NEL服務獲取每個候選的URI；
3. 返回鏈接后的實體和關系字典。

1.2 計劃步驟（Plan Step）

將生成SPARQL查詢的復雜任務分解為一系列子任務（如實體識別、關系鏈接、查詢優化等），模擬人類分步解決問題的邏輯。

通過LLM生成分步計劃：

1. 輸入自然語言問題（q_i）和系統提示（S_plan）；
2. LLM輸出子任務列表（p_i），作為后續行動的指南。

1.3 無經驗池的行動步驟（Action Step without Experience Pool）

按計劃步驟順序執行子任務，結合NEL工具完成實體鏈接，逐步生成SPARQL查詢。

• 實現：

1. 輸入計劃（p_i）、LLM、NEL工具和系統提示（S_action）；
2. 依次執行每個子任務，必要時調用NEL工具；
3. 保存對話歷史（H_i），最終輸出初步SPARQL查詢（）。

1.4 經驗池構建（Experience Pool Construction）

• 功能：存儲的推理過程和結果（包括成功與失敗案例），作為在線階段的上下文學習示例。
• 實現：

1.對訓練集中的問題（q_i），生成SPARQL查詢并與真實查詢（）對比，計算F1分數；

2.將問題向量、計劃、對話歷史、F1分數等元數據存入向量數據庫；

3.經驗池包含成功（F1=1.0）和失?。‵1<1.0）的案例，支持后續相似問題的檢索。

2、評估階段（Evaluation Phase）

在線階段基于離線構建的經驗池，通過計劃、行動和反饋的協同生成最終SPARQL查詢。

2.1 帶經驗池的計劃步驟（Plan Step with Experience Pool）

利用經驗池中相似問題的成功計劃優化當前計劃，提升子任務分解的準確性。

1.將輸入問題（q_i）轉換為向量（v_qi）；

2.從經驗池中檢索Top-N個高F1分數的相似計劃；

3.將這些計劃融入系統提示（），引導LLM生成更優計劃（p_i）。

2.2 帶經驗池的行動步驟（Action Step with Experience Pool）

結合經驗池中相似問題的SPARQL示例，優化查詢生成過程，同時支持反饋步驟的結果整合。

1.檢索經驗池中Top-N個相似SPARQL查詢，融入行動階段的系統提示（）；

2.按計劃執行子任務，調用NEL工具，并可結合反饋結果調整查詢。

3.2.3 反饋步驟（Feedback Step）

通過執行初步查詢并分析知識圖譜的返回結果，修正查詢錯誤，模擬人類“試錯-改進”的推理過程。

1.將初步生成的SPARQL查詢（）在三元組存儲中執行，獲取返回結果（A_i）；

2.將結果填入反饋提示模板（），返回給行動步驟；

3.行動步驟根據反饋優化查詢，輸出最終結果（僅觸發一次，避免無限循環）。

實驗性能

參考文獻：Text-to-SPARQL Goes Beyond English: Multilingual Question Answering Over Knowledge Graphs through Human-Inspired Reasoning，https://arxiv.org/pdf/2507.16971v1

本文轉載自??大模型自然語言處理??   作者：余俊暉