تشهد نماذج اللغات الكبيرة (Large Language Models) تحديات متزايدة في إتمام المهام المعقدة التي تتطلب معرفة متعددة المجالات، مما يؤدي إلى ما يعرف بـ "الهلاوس" أو المعلومات المضللة. وبينما توفر الرسوم البيانية المعرفية (Knowledge Graphs) مصادر معلومات منظمة وقابلة للتحقق، فإن معظم النماذج الحالية التي تعتمد عليها تفتقر إلى التكيف وتواجه مشاكل في المساحات البحثية الواسعة.

للتصدي لهذه المشكلات، تم تقديم إطار عمل RACER (تعاون الوكلاء المعززين لأغراض الفهم المنطقي على الرسوم البيانية المعرفية). يعتمد RACER على آلية تعلم معزز موجه بمعلم، حيث يستخدم عملية تقليم الإجراءات بشكل واعي بالسياق لاستخراج مسارات تفكير عالية الجودة من الرسوم البيانية المعرفية الكبرى.

كما يحتوي التصميم على ذاكرة مشتركة متراكمة عبر المهام، مما يسمح بتقليل الأخطاء الناجمة عن توليد مسار واحد، مما يعزز دقة النتائج.

يتم تنسيق هذه المكونات من خلال نظام تعاون متعدد الوكلاء يقوم بتوزيع الأدوار بين أربعة وكلاء رئيسيين: GraphAgent، TemplateAgent، AnswerAgent، وCriticAgent. هذه الوكلاء يجعلون العملية الديناميكية لتحسين المطالب وتقييم الإجابات أكثر فعالية.

تظهر التجارب الواسعة التي أجريت على مجموعات بيانات CommonsenseQA وOpenBookQA أن RACER يتفوق بشكل كبير على نماذج LLM التقليدية المعززة بالرسوم البيانية المعرفية، حيث أظهرت التحسينات المتوسطة زيادة بنسبة 5% في الأداء، مما يظهر إمكانيات قوية وعالية القابلية للتفسير في التفكير المنطقي.