🌐 为什么KG + LLM Agent是当下热点？
大语言模型（LLM）面临幻觉、知识固化、推理深度不足三大瓶颈。知识图谱（KG）以结构化、可解释、可更新的方式组织知识，恰好弥补这些短板。反过来，LLM也大幅提升了KG的构建效率。KG ✕ LLM Agent成为2025~2026年最热门的方向之一。
1 Graph-Augmented LLM Agents: 综述
arXiv 2025.07PlanningMemoryTool Usage
核心发现：最全面的GLA综述。系统梳理图结构如何在规划、记忆、工具使用三大Agent能力中发挥作用，并讨论多Agent系统的编排与可信度。
- 规划：用图约束决策空间，避免"规划幻觉"
- 记忆：KG作为长期记忆，支持结构化检索
- 工具：图结构帮助理解工具依赖关系
- 多Agent：通信拓扑图提升协调效率
2 KG-Agent: 高效自主Agent · KG复杂推理
ACL 2025推理框架小模型
核心贡献：用LLaMA2-7B在KG推理上超越大模型。将多跳推理转写为代码形式，合成指令数据集微调LLM。仅10K样本即碾压竞品。
Only using 10K samples for tuning LLaMA2-7B can outperform competitive methods using larger LLMs or more data.
3 KARMA: 多Agent LLM自动丰富KG
NeurIPS 2025 Spotlight多Agent协作KG自动构建
核心贡献：9个协作Agent（实体发现、关系抽取、模式对齐、冲突解决）自动从非结构化文献中丰富KG。1200篇PubMed文章识别38K+新实体，准确率83.1%。
9
协作Agent
38K+
新实体
83.1%
准确率
−18.6%
冲突减少
4 KnowAgent: 知识增强规划
NAACL 2025 Findings规划规划幻觉
核心贡献：LLM Agent经常出现"规划幻觉"——生成无效行动路径。KnowAgent引入行动知识库约束规划轨迹，在HotpotQA和ALFWorld上显著提升表现。
🔍 规划幻觉：与传统"编造事实"不同，规划幻觉是Agent编造不存在的操作步骤。
📄 aclanthology.org/2025.findings-naacl.205/ →
5 KG与LLM融合：实践、机遇与挑战综述
Frontiers 2025KELLEKLKC
三大范式：① KEL（KG增强LLM）→ ② LEK（LLM增强KG）→ ③ LKC（两者协同）。全面梳理KG-LLM融合的实践与挑战。
📄 Frontiers in Computer Science →
6 LLM驱动的知识图谱构建综述
arXiv 2025.10KG构建Schema-free
系统分析LLM如何重塑KG构建的三层管线（本体工程→知识抽取→知识融合），从Schema-based和Schema-free两个视角对比，展望动态知识记忆与多模态KG。
📄 arxiv.org/abs/2510.20345 →
7 GraphRAG多智能体 + 自定义LLM统一平台
Nature Sci. Reports 2026GraphRAG多模态
统一多模态GenAI平台，整合GraphRAG + 多Agent系统。支持跨文档知识合成、多步推理，可接入自定义本地LLM解决API依赖和数据隐私问题。
🌟 GraphRAG vs 传统RAG：传统RAG找"语义相似"文本块，GraphRAG构建实体关系图，能检索到间接关联知识，是多跳推理的基础设施。
📄 nature.com →
8 AGENTiGraph: 多Agent交互式KG数据管理
ACM 2025交互式自然语言
用户通过自然语言直接操控KG，Agent自动转化为KG操作，无需SPARQL/Cypher。降低KG使用门槛，让非技术用户也能受益于图数据管理。
📄 dl.acm.org →
🔗 总结与展望
这8篇论文勾勒出KG ✕ LLM Agent领域的完整版图：
- GLA综述 和 KG-LLM融合综述 提供整体框架视角
- KG-Agent 和 KnowAgent 解决Agent端的问题（推理 + 规划）
- KARMA 和 KG构建综述 解决KG端的问题（自动构建 + 丰富）
- GraphRAG平台 和 AGENTiGraph 提供落地方案和交互方式
未来趋势：动态知识记忆、多模态KG、统一可扩展的GLA系统架构。