CoEvoT：图-LLM推理的共进化思维链提示框架
速览
CoEvoT是一个用于图-大模型推理的共进化思维链提示框架，它通过轻量条件网络将中间文本推理结果更新图令牌状态，实现结构线索的逐步精炼，而非基于固定图快照推理。该方法在8个数据集上显著优于现有基线，为分布偏移下的图学习提供了新范式。
AI 深度解读
背景
图学习在分布偏移（distribution shift）场景下面临持续挑战：模型需要仅凭少量甚至无监督信号，适应全新的图结构数据。近年来，图–大语言模型（Graph-LLM）方法通过将图线性化为提示（prompt），并利用大语言模型（LLM）作为预测器，实现了标签高效的预测。在此基础上，Chain-of-Thought（CoT）提示技术被引入以发挥 LLM 的多步推理能力。然而，现有基于 CoT 的图–LLM 方法在生成中间推理步骤时，始终以固定的图标记（graph token）为条件，无法在推理过程中逐步优化结构线索，这限制了模型对图结构信息的精细化利用。
核心内容
为解决上述问题，论文提出 CoEvoT——一种简单而有效的共演化 CoT 提示框架，专用于图–LLM 推理。CoEvoT 在闭环中耦合了文本到图标记的重写（text-to-graph token rewriting）与图到文本的推理引导（graph-to-text reasoning guidance）。其工作流程如下：
- 初始状态：LLM 接收一个线性化的图提示和初始指令，开始 CoT 推理，生成第一个中间文本推理步（thought）。
- 文本→图标记更新：每个中间文本推理步通过一个轻量级条件网络（lightweight condition network）被用于更新图标记的证据状态（graph token evidence state）。具体而言，该网络将文本表示映射为对图标记的调整，使图标记携带当前推理步所关注的结构线索。
- 图标记→文本引导：更新后的图标记被反馈到下一步的指令中，作为新的上下文指导后续 LLM 推理——即后续推理步可以基于当前已提炼的结构证据继续深入。
这种机制实现了逐步、状态感知的证据精炼（step-wise, state-aware evidence refinement），而非在固定图快照（fixed graph snapshot）上进行推理。因此，LLM 在每一步都能获得动态演化的图结构信息，从而更精准地把握图与文本之间的关联。
论文在 8 个数据集上进行了大量实验，结果表明 CoEvoT 在所有数据集上持续优于当前最先进的基线方法。
关键要点
- 问题：现有 CoT 图–LLM 方法无法在推理过程中动态更新图结构表示，导致结构线索利用率不足。
- 核心创新：CoEvoT 引入“文本–图共演化”机制，让中间推理文本与图标记状态相互更新，形成闭环。
- 技术实现：
- 使用轻量条件网络将文本推理步映射为图标记的增量更新。
- 更新后的图标记作为下一步指令的组成部分，引导 LLM 生成后续推理。
- 优势：无需额外标注或重新训练 LLM，仅通过提示设计即可实现图信息的逐步精炼。
- 实验验证：在 8 个数据集上全面超越 SOTA 基线，证明该框架的有效性和泛化性。
意义与影响
CoEvoT 为图–LLM 推理提供了一种全新的范式：不再是“一次编码，静态推理”，而是让图表示随着思维链的推进而同步演化。这一思路打破了传统图提示方法中图信息在推理过程中不变的局限，使得 LLM 能够更灵活地利用结构信号进行多步推理。对于分布偏移下的少样本或零样本图学习任务（如社交网络分析、分子性质预测、知识图谱推理等），CoEvoT 有望显著提升模型的适应性和鲁棒性。此外，该框架的简洁性（仅需一个轻量条件网络）使其易于集成到已有的 Graph-LLM 系统中，为未来在更复杂图任务上的应用奠定了基础。