Проблема: разрыв между бенчмарками и реальностью
Существующие подходы к Retrieval-Augmented Generation (RAG) на базе Knowledge Graphs (KG) часто демонстрируют отличные результаты на публичных наборах данных, но терпят неудачу в корпоративной среде. Реальные Enterprise Knowledge Graphs (например, CMDB — Configuration Management Database) отличаются высокой плотностью связей, сложной схемой данных и жесткими операционными ограничениями. Стандартные агенты, полагающиеся на общие паттерны рассуждений, не способны эффективно навигировать в таких структурах.
Решение: SCAIR (Schema-Conditioned Agentic Iterative Reasoning)
Команда авторов (Prateek Chaturvedi, Steffen Staab, Jie Tang и др.) предложила фреймворк SCAIR, который не требует дообучения (training-free) базовых языковых моделей. Ключевая инновация заключается во внедрении схемно-условленных структурных приоритетов (schema-conditioned structural priors). Это позволяет агенту не просто искать информацию, а осознанно обходить граф, строго соблюдая бизнес-логику и ограничения домена.
Методология: от абстракции к структуре
SCAIR интегрирует структурированное планирование с контролируемым итеративным рассуждением. Вместо того чтобы полагаться на «черный ящик» модели, система явно внедряет знания о схеме графа в процесс принятия решений агентом. Это обеспечивает:
- Schema-aware traversal: Обход графа, учитывающий типы связей и сущностей.
- Многошаговое рассуждение: Последовательное уточнение запроса на основе промежуточных результатов обхода.
- Отсутствие затрат на fine-tuning: Метод работает поверх существующих LLM, экономя вычислительные ресурсы.
Результаты и значимость
Эксперименты проводились на специализированном бенчмарке, созданном на основе реальных данных CMDB. Результаты показали, что SCAIR существенно превосходит существующие методы KG-RAG. Главное открытие исследования: надежность корпоративного графового рассуждения невозможна без явного учета структурных и операционных ограничений целевой доменной области. Выравнивание дизайна агента с бизнес-логикой дает прирост производительности, недостижимый при использовании generic-агентов.
| Характеристика | Стандартные KG-RAG | SCAIR (предлагаемый метод) |
|---|---|---|
| Требования к обучению | Часто требует дообучения для сложных доменов | Training-free (без дообучения) |
| Учет схемы графа | Слабый или отсутствует | Schema-conditioned priors (явное внедрение) |
| Применимость к CMDB | Низкая (проблема обобщения) | Высокая (специализированный бенчмарк) |
| Основной драйвер точности | Качество LLM | Алгоритмическое соответствие бизнес-логике |
Работа принята к публикации в ACL 2026 Industry Track, что подтверждает ее практическую ценность для индустрии.
Источник: arXiv cs.AI ↗