能力問題作為可執行計劃的受控 RAG

💡新型 CQ 計劃使 RAG 在知識圖譜故事應用中無幻覺（28字元）

⚡ 30-Second TL;DR

有什麼變化

將設計時能力問題轉化為運行時敘事計劃，確保證據封閉生成

為什麼重要

提供可審核、可控故事生成系統藍圖，減少 LLM 幻覺。實現個人化遺產敘事，並量化 RAG 權衡。適用於超出文化的知識圖譜 AI 應用。

下一步行動

從 arXiv 下載 Live Aid KG，並在您的 RAG 管道中原型化 CQ 計劃。

誰應關注：Researchers & Academics

AI-generated analysis for this event.

•該研究採用了神經符號（Neuro-symbolic）方法，旨在解決大型語言模型在處理複雜敘事時常見的幻覺問題，透過將能力問題（CQs）映射至知識圖譜查詢，強制模型遵循預定義的邏輯路徑。
•Live Aid KG 資料集不僅包含結構化數據，還整合了 1985 年演唱會的音訊與影像元數據，為多模態檢索增強生成（RAG）提供了跨媒體的對齊基準。
•研究結果顯示，Graph-RAG 在處理複雜的跨實體關係查詢時，相較於傳統的向量檢索（Naive RAG），能顯著提升敘事內容的邏輯連貫性與事實準確度。

•架構核心：採用神經符號推理引擎，將自然語言形式的能力問題（CQs）解析為 SPARQL 或 Cypher 查詢語句，以從 Live Aid KG 中提取精確的敘事節點。
•證據封閉機制：透過知識圖譜的結構約束，限制生成模型的上下文窗口，確保生成的每一句敘事均有對應的圖譜三元組（Triple）作為證據支持。
•多模態對齊：利用 Music Meta Ontology 將演唱會表演者的演出時間、曲目與多媒體檔案進行時間軸對齊，實現基於時間序列的敘事生成。
•評估指標：引入了針對敘事精準度（Narrative Precision）、知識覆蓋率（Knowledge Coverage）以及邏輯連貫性（Coherence Score）的綜合評估框架。

神經符號 RAG 將成為文化遺產數位化領域的標準架構。

該方法能有效解決歷史數據在生成式 AI 中因缺乏結構化約束而產生的事實錯誤問題。

多模態知識圖譜將取代單純的向量數據庫成為 RAG 的主流後端。

結構化知識與多媒體元數據的結合能提供比純向量嵌入更豐富的語義檢索能力。

2025-09

Live Aid KG 資料集初步構建完成，開始進行跨媒體數據對齊。

2026-01

研究團隊完成神經符號推理引擎的開發，並將其與大型語言模型進行整合測試。

2026-03

完成對 KG-RAG、Hybrid-RAG 與 Graph-RAG 三種策略的對比評估實驗。

AI 週報

閱讀本週精選 AI 大事摘要 →

同主題

探索 #neuro-symbolic

同產品

更多關於 cq-executable-plans-rag

同來源

最新來自 ArXiv AI

AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： ArXiv AI ↗