GraphCogent: Mehrere Agenten lösen LLMs' Gedächtnisgrenzen bei komplexen Graphen

Die neuesten Ergebnisse aus dem arXiv-Preprint GraphCogent zeigen, dass große Sprachmodelle (LLMs) zwar bei kleinen Graphen beeindruckende Leistungen erbringen, aber bei realen, komplexen Graphen mit anspruchsvollen Abfragen versagen. Der Grund liegt in der Unfähigkeit der Modelle, gleichzeitig die Topologie des Graphen zu verarbeiten und mehrstufige Schlussfolgerungen zu ziehen.

Um diese Schwächen zu überwinden, präsentiert das Team einen kollaborativen Agenten-Ansatz, der sich am menschlichen Working‑Memory-Modell orientiert. GraphCogent zerlegt die Graphenlogik in drei spezialisierte Prozesse: Sense, Buffer und Execute. Der Sensory‑Modul standardisiert unterschiedliche graphische Textdarstellungen durch gezielte Subgraph‑Sampling‑Techniken. Der Buffer‑Modul integriert und indiziert die Graphdaten über mehrere Formate hinweg, während der Execution‑Modul Tool‑Aufrufe und Modellgenerierung kombiniert, um effiziente Mehrstufenschlüsse zu ermöglichen.

Zur Bewertung des Ansatzes wurde das neue Benchmark‑Set Graph4real entwickelt. Es umfasst vier Domänen – Web, Social, Transportation und Citation – und 21 Aufgaben, die in drei Kategorien eingeteilt sind: strukturelle Abfragen, algorithmische Logik und prädiktive Modellierung. Die Graphen in Graph4real sind zehnmal größer als die in bestehenden Benchmarks, was die Realitätsnähe deutlich erhöht.

Die experimentellen Ergebnisse sind beeindruckend: Mit dem 8‑Billionen‑Parameter‑Modell Llama3.1-8B erreicht GraphCogent eine 50 %ige Verbesserung gegenüber dem massiven Modell DeepSeek‑R1 (671 Billionen Parameter). Im Vergleich zum führenden agentenbasierten Baseline übertrifft GraphCogent die Genauigkeit um 20 % und reduziert den Token‑Verbrauch um 80 % bei Aufgaben innerhalb des Tool‑Sets sowie um 30 % bei Aufgaben außerhalb des Tool‑Sets.