MetaKGEnrich：為大型語言模型打造元認知式自我知識修復

重點一言快訊

MetaKGEnrich為大型語言模型引入元認知式自我知識修復，從圖譜拓撲偵測稀疏處到針對性檢索與再回答，能自動補齊缺口並提升答案品質。

系統流程

該系統先以使用者的種子查詢建構知識圖譜，然後透過七種圖譜指標偵測出資料稀疏或不完整的區域。接著由GPT-4o生成聚焦的追問，以引導需要補強的知識點。系統使用Tavily從網路檢索相關證據，並將新蒐集的資訊回填進Neo4j 的知識圖譜中，最後用GraphRAG讓模型重新回答並由GPT-4評估是否改進。

實驗與結果

研究在三個廣泛使用的資料集上做驗證：Google Research Natural Questions、MS MARCO與HotpotQA。結果指出，MetaKGEnrich在HotpotQA上使80%的問題答案品質提升，在Google Research Natural Questions上為87%，在MS MARCO上為83%，同時能維持原本已被充分支援的知識區域不受影響。

意義與展望

這份概念驗證展示了結合拓撲自我診斷與定向檢索的可行性，提供一條將大型語言模型推向更人類化元認知學習的路徑。未來可再探討如何在更大規模或更複雜任務中延伸此流程。

延伸閱讀

• 多代理LLM在陪審團式審議的實驗：RLHF強度如何影響定錨與共識形成
• Truth or Tribe：LLM人格代理、TDR與TC揭示身分偏誤機制
• 階層化多重人物歸納與證據追溯：以意圖記憶與 DPO 優化人物品質

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。