CoEvoKG: Co-Evoluzione dei Grafi di Conoscenza con Agenti di Ricerca Auto-Evolventi

L'introduzione di CoEvoKG segna un progresso significativo nel potenziamento dei grandi modelli linguistici (LLM) per applicazioni di agenti di ricerca, utilizzando i grafi di conoscenza come fonte affidabile per compiti di addestramento e come memoria duratura per le evidenze. Questo framework, descritto in un articolo arXiv (2608.01904), addestra simultaneamente un agente di ricerca e un generatore di compiti. Il generatore di compiti formula domande multi-hop derivate da catene di entità nel grafo di conoscenza, mentre l'agente di ricerca viene premiato in base all'accuratezza delle risposte e ai percorsi di ricerca validati dalle evidenze del grafo. Dopo una ricerca riuscita, CoEvoKG verifica ed elimina le evidenze duplicate, reintegrandole nei nodi e negli archi pertinenti del grafo. Questo grafo arricchito viene successivamente impiegato nella generazione di compiti futuri e nella valutazione delle ricompense, facilitando un ciclo continuo di auto-evoluzione del modello e di miglioramento della conoscenza. CoEvoKG affronta le carenze degli attuali agenti self-play che spesso trascurano la conoscenza acquisita da ricerche riuscite. Trattando il grafo di conoscenza come una memoria in evoluzione, cerca di aumentare le prestazioni e l'efficienza degli agenti di ricerca basati su LLM nel tempo.