一键总结音视频内容
Attention is All you Need
摘要
本次CCF TF 165期活动聚焦“知识驱动的复杂推理”，邀请了四位重量级嘉宾分享了他们在知识增强大模型、智能体及复杂推理落地方面的最新思考与实践。会议深入探讨了知识图谱与大模型融合的多种范式，包括预训练、提示、检索（RAG）等阶段的知识增强，并特别强调了知识在智能体“慢思考”和复杂任务规划中的核心作用，为大模型在垂直领域的落地提供了宝贵的技术路线和实践经验。
亮点
- 💡 知识与语言的孪生关系及大模型知识存储的矛盾统一： 语言是人类表示和传承知识的符号，大模型通过神经网络化自然语言形式的世界知识，实现了知识规模的飞跃。然而，知识表示的复杂性与知识获取的规模之间存在矛盾，这正是大模型与知识图谱结合的理论出发点。
- 🧠 知识增强大模型“慢思考”与复杂推理： 慢思考的本质是为了提升大模型处理复杂问题的能力，它高度依赖知识增强，特别是深层慢思考。知识增强能有效控制大模型的幻觉率，并提升其在推理、规划等高级思维过程中的表现，避免过度思考。
- 🛠️ 知识图谱在RAG及智能体中的关键作用： 知识图谱作为传统符号AI的代表，能有效弥补RAG在跨文档关联、细粒度知识点关联上的不足。在智能体领域，知识图谱可用于任务规划、工具调用、工作流建模，甚至引导强化学习过程，是构建可信大模型基座的重要组成部分。
- 📊 文档智能与知识图谱驱动的大模型推理落地： 文档智能通过文档的图谱化（Doc-to-Graph）解决知识库的初始化问题，将文档内容解析为图谱节点和关系。知识图谱则可用于合成大模型推理数据，并通过规范化引导大模型推理，尤其在工业界的工作流或任务流中发挥重要作用。
- 🚀 深度研究智能体与多模态知识融合： 深度研究智能体结合RAG、Graph RAG及MTP协议，能够统一获取实时结构化数据和非结构化知识，并通过工具调用引擎（如Python解释器）执行复杂计算和任务。多智能体协同、任务规划与分解、容错与异常检测是其工程实践中的关键挑战。
- 🔄 符号知识与大模型的双向驱动： 符号知识作为自然语言的高度抽象和逻辑严谨表示，通过与自然语言的互索引结构，可以指导语料合成，增强大模型的信息抽取、逻辑推理和API调用能力。KAG框架是这种双向驱动的实践，旨在通过自动化构建知识图谱和逻辑形式驱动的逐跳推理，实现知识的精准、完备和严谨。
#知识驱动 #复杂推理 #大模型 #知识图谱 #智能体 #RAG #慢思考 #神经符号AI #文档智能 #深度研究