当Agent学会翻图谱，大模型才真正开始“干活”

把企业知识库比作一座图书馆，过去的检索系统是目录卡片，而Agent则是既能理解读者意图又能亲自取书的图书管理员。滴普科技在WAIC展示的工业故障维修Agent，恰好戳中了这个类比的核心：它不是靠大模型“编”答案，而是先让Agent理解“故障线索”在知识图谱中的位置，再沿着实体关系执行推理路径。

这个实验设计的巧妙之处在于，它把“知识”和“执行”分离了。大模型负责自然语言理解与对话生成，知识图谱负责存储结构化的设备关系、维修流程、历史案例。Agent作为调度层，根据用户输入动态构建查询子图——这实际上是一种基于图的规划算法。对比的baseline应该是纯大模型RAG方案：检索切片文本，再用LLM生成答案。但工业场景中，故障维修往往涉及多跳推理，比如“液压泵温度异常”需要关联“冷却系统”再关联“传感器读数”，纯文本检索的召回率会随跳数增加而衰减。滴普的做法相当于把多跳推理托付给图结构，避免了LLM的幻觉扩散。

数据集的偏差需要考虑：工业知识图谱的构建成本高，且不同企业的设备型号、维修记录差异极大。Agent的泛化能力依赖图谱的完备性，如果图谱中缺少某些关联边，Agent可能会执行一条死路。从论文角度，这类似于《Knowledge Graph Enhanced Large Language Models for Multi-Hop QA》里讨论的图稀疏性问题。滴普的解决方案可能是通过用户交互反馈来动态补全边，但现场演示未展示这部分。

当Agent真正开始“翻图谱”而非“猜答案”时，知识图谱的边界效应就会显现。

原文链接：https://www.tmtpost.com/8075680.html