速報
MetaKGEnrich：為大型語言模型打造元認知式自我知識修復
研究指出現代人工智慧普遍缺乏元認知。研究提出MetaKGEnrich，一套自動化流程：由種子查詢建構知識圖譜、以七種圖譜指標偵測稀疏區域、生成針對性問題並網路檢索佐證回填，最後擷取並評估回覆品質。實驗在三個公開資料集上顯示多數問題的答案品質獲得提升。
知識圖譜
llamaindex
Flexible GraphRAG：以 LlamaIndex 與 LangChain 支援的多庫 GraphRAG 平台
這篇報導介紹一個將文件處理、知識圖譜與向量檢索結合的開源平台，採用LlamaIndex與LangChain為管線基礎，支援多種屬性圖與RDF資料庫、多款向量與搜尋引擎，並能自動增量同步資料。此平台旨在提供混合檢索與AI對話功能，對企業導入RAG與知識管理有直接應用價值。
mnemon
mnemon：基於知識圖譜的 LLM 持久記憶與代理記憶管理
為解決LLM代理人跨會話記憶缺失，mnemon以圖譜為核心建持久記憶層，支援意圖感知回溯、重要性衰減與自動去重。採單一執行檔無需額外API金鑰，可與ClaudeCode、OpenClaw等CLI代理整合，透過四重圖譜保存跨會話知識，提升對話上下文延續性與決策一致性，降低部署複雜度並強化本地資料控制。
速報
IdeaForge：以知識圖譜與多代理整合多方法的專利生成框架
當前AI輔助創新常採單一方法導致推理碎片化。IdeaForge提出以知識圖譜為核心的多代理框架整合多種創新法。專家代理將矛盾、發明原則與使用者需求結構化寫入持久化資料庫。系統以圖關聯發現跨方法支持之匯聚主張，標示高信心創新候選。下游專利起草代理則由匯聚子圖生成結構化草案。實驗顯示相比單一方法，圖導向合成提升多樣性與可追溯性。
深度分析
STAGE 基準：電影劇本知識圖譜構建、長文問答與角色一致性評測
電影劇本是長篇、多角色且跨場景的敘事載體，對大型語言模型（LLM）維持一致世界模型與長文推理能力構成挑戰。STAGE（Screenplay Text, Agents, Graphs & Evaluation）提出一套統一的多任務基準，將每部劇本視為共享敘事世界，涵蓋電影級知識圖譜構建、場景事件摘要、長文問答與劇內角色扮演四大任務。
速報
預訓練語言模型讓知識圖譜實體向量更泛化：鏈結預測與跨任務遷移表現提升
知識圖譜常有缺漏,研究用文字描述學習實體向量以支援鏈結推斷與檢索。採用預訓練語言模型以鏈結預測目標學習向量表徵,並在未見實體的誘導式鏈結預測、實體分類與實體導向檢索三項任務上驗證泛化能力。結果顯示鏈結預測MRR平均提升22%,分類準確度平均增16%,檢索NDCG@10最高增8.8%。
深度分析
MedAction：以多回合主動檢驗與知識圖譜提升臨床診斷大模型
現有醫療大模型多以單回合、完整病歷評估為主，與臨床上從不完備資訊出發、反覆下單檢驗並更新診斷的流程差距甚大。MedAction 提出一套樹狀蒸餾管線，從公開病例生成多回合互動環境，讓大型模型與環境互動以合成檢驗—推理軌跡；
深度分析
驗證導向知識圖譜：以多代理與 LLM 驅動自動化 SystemVerilog Assertion 生成
研究提出一套以驗證為中心的知識圖譜（KG）與多代理流程，將規格、RTL 與形式工具回饋轉為結構化中介表示，並匯入執行時 KG 作檢索與追溯。系統用 KG 提供設計接地的上下文，驅動 SVA 生成與三種精煉迴圈──語法修復、以反例（CEX）追溯的修正、以及覆蓋率導向的屬性擴增。
深度分析
層級式自適應衰減：以 velocity 與 volatility 重塑知識圖譜時效模型
隨著知識圖譜應用增多，傳統統一衰減已不足以判斷資訊時效。研究提出以觀測頻率與變動幅度為基礎的層級自適應衰減面，分為領域、情境、實體三層學習衰減參數。實驗在合成資料、維基百科與模擬臨床紀錄上驗證，顯示不同知識類型呈現明顯壽命差異，且統一衰減甚至比不使用衰減差 18 倍。
深度分析
OntoLogX：以本體、RAG 與 LLM 將系統日誌轉換為威脅知識圖譜
系統日誌蘊含豐富威脅情報，但格式零散難以直接利用。OntoLogX結合本體、檢索增強生成與迭代校正，利用大型語言模型將原始日誌轉成本體驅動的知識圖譜，並以會話群組對應MITRE ATT&CK戰術。實驗也顯示檢索與校正能提升精準與召回，程式碼專用模型對結構化日誌特別有利。
速報
表型驅動的知識圖譜發現：結合圖神經網路、因果推論與大型語言模型
知識圖譜常只還原既有關係。本研究以表型驅動流程結合圖神經網路、因果與機率推理，以及大型語言模型生成假設並抽取主張，以多目標優化與Pareto挑選平衡驗證與新穎性。實驗在檢索增強下達成Recall@5=0.98並降低幻覺率，並能揭示情境化因果結構，提升可解釋性與科學檢驗價值。
深度分析
結合 LLM 與 GNN 的 GLOW 系統：開放式知識圖譜問答新突破
開放式知識圖譜問答因圖譜不完整而受限。GLOW 透過 GNN 預測候選答案，並以結構化提示驅動 LLM 推理，實現符號與語意雙向結合。實驗顯示其在新基準上提升最高 53.3%，顯示開放世界 QA 的可行新方向。