HypoAgent：基于知识图谱的交互式溯因假设生成智能体框架

背景

溯因推理（Abductive Reasoning）在知识图谱（Knowledge Graphs, KGs）中的核心目标是生成能够解释已观察到的实体或事实的逻辑假设。这一过程对于常识推理、生物医学诊断以及复杂系统故障排查等领域至关重要。

尽管现有的可控假设生成方法允许用户通过显式条件来引导生成过程，但在实际的多轮交互场景中，这些方法仍存在显著局限：

1. 意图对齐困难：难以在多轮对话中准确捕捉和落地（ground）不断演变的自然语言意图。
2. 缺乏细粒度诊断：当生成的假设不可靠或失败时，系统无法提供细致的错误诊断或改进建议。

为了解决上述问题，研究人员提出了 HypoAgent，这是一个专为知识图谱上的交互式溯因假设生成设计的智能体（Agentic）框架。

核心内容

HypoAgent 通过整合三个协同工作的智能体（Agents），构建了一个闭环的交互推理系统。这三个核心组件分别是：

1. 意图识别智能体 (Intent Recognition Agent)

该智能体的主要任务是将用户的自然语言输入（包括当前 utterance 和历史对话上下文）转化为可执行的知识图谱查询条件。

• 功能：它负责“落地”用户的模糊意图，将其结构化为用户可理解的 KG 约束条件。
• 价值：解决了多轮对话中意图漂移或上下文丢失的问题，确保生成的假设始终基于用户最新的交互意图。

2. 假设生成智能体 (Hypothesis Generation Agent)

这是系统的核心推理引擎。

• 功能：根据意图识别智能体提取的用户意图，执行可控的假设生成任务。
• 机制：它利用知识图谱的结构信息，生成能够解释观察事实的逻辑路径或假设集合。

3. 根因分析智能体 (Root Cause Analysis Agent)

这是一个用于自我修正和诊断的组件。

• 功能：当生成的假设片段被评估为不可靠时，该智能体会介入进行诊断。
• 机制：它利用知识图谱的邻域探测（neighborhood probing）技术，识别支持假设的潜在证据，并据此提出细粒度的优化或修正建议。
• 价值：增强了系统的鲁棒性，使用户能够理解假设为何失败以及如何改进。

实验验证

研究团队在常识领域和生物医学领域的特定知识图谱上进行了广泛实验。结果显示，HypoAgent 在单轮（single-turn）、多轮（multi-turn）以及无条件（unconditional）设置下，均实现了最先进的语义相似度（semantic similarity）指标。

关键要点

• 多智能体协作架构：HypoAgent 并非单一模型，而是由意图识别、假设生成和根因分析三个专用智能体组成的协作系统。
• 解决交互痛点：专门针对多轮对话中自然语言意图的动态变化进行了优化，实现了意图的精准落地。
• 可解释性与诊断能力：引入了根因分析机制，不仅生成假设，还能对失败假设进行细粒度诊断，提升了系统的透明度和可用性。
• 领域泛化能力：在常识推理和生物医学两个差异巨大的领域均取得了 SOTA（State-of-the-Art）性能，证明了框架的通用性。
• 开源开放：代码已公开，便于社区复现和进一步研究。

意义与影响

HypoAgent 的提出标志着知识图谱推理从“静态查询”向“动态交互”的重要转变。

1. 提升人机协作效率：通过自然语言交互和意图识别，降低了用户利用复杂知识图谱进行推理的技术门槛，使非专家用户也能进行深度的假设探索。
2. 增强推理的可信度：传统的黑盒生成模型往往难以解释其推理路径。HypoAgent 通过根因分析智能体提供了假设失败的原因和改进方向，极大地增强了 AI 决策的可解释性和可信度。
3. 推动垂直领域应用：在生物医学等高风险领域，能够生成可解释、可诊断的假设对于辅助医生诊断、药物发现等场景具有巨大的潜在价值。
4. 智能体范式的扩展：该工作展示了如何将多个专用智能体组合解决复杂的逻辑推理任务，为未来构建更复杂的 Agentic AI 系统提供了有价值的架构参考。