知识驱动的复杂推理 | TF技术前线165回顾

摘要：引言：2025年5月20日，CCF TF迎来了第165期活动，主题为“知识驱动的复杂推理”。本次活动由CCF TF知识图谱SIG策划呈现，邀请到浙江大学教授陈华钧、360人工智能研究院资深算法专家刘焕勇、《知识增强大模型》作者王文广和蚂蚁集团知识引擎负责人梁磊

引言：2025年5月20日，CCF TF迎来了第165期活动，主题为“知识驱动的复杂推理”。本次活动由CCF TF知识图谱SIG策划呈现，邀请到浙江大学教授陈华钧、360人工智能研究院资深算法专家刘焕勇、《知识增强大模型》作者王文广和蚂蚁集团知识引擎负责人梁磊四位讲者。活动以线上直播的形式进行，吸引了众多专业人士的参与。本文将系统梳理本次活动的核心观点与技术洞察，呈现知识驱动智能系统的最新发展趋势。

“知识驱动的复杂推理”聚焦通过结构化知识赋能AI，突破数据拟合局限，实现深层逻辑推演与跨领域关联能力。大模型时代，其通过知识图谱与大语言模型融合，构建 “符号知识骨架+语义理解网络”协同架构，以图谱解析数据逻辑、模型泛化语义，赋予AI可解释知识理解与严谨决策支撑，是通用人工智能的核心路径及垂直领域高可靠性需求的关键解决方案。

活动由同济大学特聘研究员、CCF TF知识图谱SIG主席王昊奋主持，首先王昊奋介绍了CCF TF的宗旨和活动安排，随后引导与会者进入主题讨论。

《知识增强大模型智能体》

浙江大学教授陈华钧以“知识增强大模型智能体”为题，分享了知识增强与智能体融合的前沿思考。他首先回顾大模型时代知识表示方法及其与知识规模的矛盾，指出知识结构化与语义完整性的平衡挑战。

围绕知识增强与大模型的关联，陈华钧教授强调智能体与知识增强的深度耦合性：从早期人工智能到当前大模型时代，智能体概念始终与知识紧密绑定。他提出，理想的智能体需融合大语言模型的思考规划能力、遵循特定协议，集成记忆管理、行动执行乃至物理世界交互等多元功能。

在具体实践层面，他分享了知识增强大模型智能体的关键工作包括通过图结构拆解复杂问题逻辑链条、利用领域知识提升任务规划能力、借助知识图谱强化工具调用与复杂问题求解能力等。他强调，大模型在 “慢思考” 中依赖知识增强控制幻觉，“领域学习+强化学习” 是实现复杂推理的有效技术路径。

《深度研究智能体中的知识增强大模型与复杂推理》

《知识增强大模型》作者王文广从一个实际的深度研究智能体产品的实现角度，分析了其中使用的知识增强方法，赋能复杂分析研究场景的深度决策。

首先通过常见的通用深度研究智能体来阐释深度研究智能体的核心特征。针对智能体面临的即时响应不足、内容幻觉等问题，指出了向量检索与知识图谱的优势互补性以及外部知识增强大模型的可靠性，以及在深度研究智能体中需要构建图查询引擎、知识图谱推理引擎。王文广介绍了金融分析工具“股鉴”这一实践，将领域专家的分析逻辑转化为结构化推理路径，提升大模型推理的可靠性和准确性。

另外，他探讨了构建统一外部知识源的方法、动态优先级调整算法等技术，为深度研究智能体在复杂任务中的稳定运行提供支撑。最后提及了相关技术在金融、医疗、营销等领域的拓展方向，展现知识增强与复杂推理技术在垂直行业落地的多元可能性。

《符号知识引导的大模型推理》

蚂蚁集团知识引擎负责人梁磊以“符号知识引导的大模型推理”为题，探讨符号知识如何提升大模型在逻辑推理、规划决策中的严谨性。

他首先回顾了知识表示的一般形式，指出知识图谱的意涵已升级为基于语义结构定义知识点骨架并基于文本丰富知识点上下文。接着他强调了符号知识与自然语言之间的互索引，一方面，语义化/结构化知识结构可增强大模型知识理解与认知推理能力，另一方面，需要推动传统知识图谱从结构化三元组向融合文本信息的丰富表示升级。此外，介绍了蚂蚁开源混合专家模型Ling-plus，展示了基于知识图谱生成的合成语料对Ling工具调用能力的显著增强效果。

针对专业领域对逻辑严谨性、事实正确性的高要求，梁磊以KAG框架为例，解析其内在的符号知识逻辑，通过拆解问题逻辑依赖，利用概念语义实现知识对齐，实现复杂问题的检索和推理。最终实现符号知识图谱与大模型双向增强，实现系统级双向驱动，构建垂域可信推理能力。