Mehragenten-Ansatz für Graphenextraktion mit strukturell und logischer Verfeinerung

Das automatische Extrahieren von Arbeitsabläufen als prozedurale Graphen aus natürlicher Sprache ist ein vielversprechendes, aber noch wenig erforschtes Gebiet. Dabei ist es entscheidend, dass die erzeugten Graphen sowohl strukturell gültig als auch logisch konsistent sind.

Große Sprachmodelle (LLMs) zeigen zwar Potenzial für die Graphenextraktion, liefern jedoch häufig fehlerhafte Strukturen oder missinterpretieren die logische Abfolge der Schritte.

Wir stellen \model{} vor, ein Multi-Agenten-Framework, das die Extraktion als mehrrundenes Denkverfahren mit gezielter struktureller und logischer Verfeinerung gestaltet.

Das System arbeitet in drei aufeinanderfolgenden Phasen: Erstellt ein Graph Builder Agent den Rohgraphen, ein Simulation Agent liefert strukturelles Feedback, indem er Fehlerdiagnosen und Erklärungen bereitstellt, und ein Semantic Agent sorgt für logisches Feedback, indem er die Semantik des Flusses mit den sprachlichen Hinweisen im Ausgangstext abgleicht. Wichtiges Feedback wird priorisiert, in natürlicher Sprache formuliert und in die folgenden Prompt‑Runden eingespeist, was eine interpretierbare und kontrollierbare Verfeinerung ermöglicht.

Durch die modulare Architektur können die Agenten gezielt unterschiedliche Fehlerarten adressieren, ohne dass zusätzliche Überwachung oder Parameterupdates erforderlich sind.

Experimentelle Ergebnisse zeigen, dass \model{} signifikante Verbesserungen in der strukturellen Korrektheit und der logischen Konsistenz gegenüber starken Baselines erzielt.