基于多智能体与知识图谱增强的
电影问答系统
面向垂直领域的 GraphRAG 架构探索与工程实现
Abstract / 摘要
研究背景与核心目标
针对大语言模型（LLM）在垂直领域常出现的“模型幻觉”问题，本项目设计并实现了一套整合多智能体协作（Multi-Agent Collaboration）与图谱检索增强生成（GraphRAG）技术的智能问答系统。
“通过图谱事实架构的强制锚定与阶梯式路由分发，系统有效解决了长尾影音知识在复杂多跳推断下的事实性错误。”
Innovations / 核心创新
🔍
GraphRAG 事实锚定
利用 Neo4j 严谨的“实体-关系-实体”结构代替扁平切片，为模型提供边界可控的事实线索，根本上抑制概率生成的偏移。
⚡
渐进式技能加载
独创 15-Token 极小窗口意图预判路由。按需注入专家提示词，显著降低冗余算力开销，TTFT 优化达 35%。
🤖
多智能体协同流水线
集成视觉感知、意图路由、知识检索及逻辑生成等独立 Agent，通过原子化任务分解提升系统稳健性。
Architecture / 系统架构
解耦设计的异构推理体系
系统采用三层演进式架构，确保了表现层与底层检索逻辑的独立演进：
表现层 (Presentation)
Jinja2 动态渲染 / ECharts 拓扑可视化
逻辑层 (Business)
Flask 核心路由 / KGQAChain 任务链
推理层 (Inference)
本地 Qwen-3.5 (Ollama) / 云端 GLM-4 协同
数据层 (Storage)
Neo4j 电影知识图谱 / MySQL 事务库
Highlights / 功能亮点
六度空间路径寻迹
基于最短路径算法挖掘任意演职人员间的深层关联。将枯燥的图路径转化为具有叙事性的连贯故事。
多模态视觉感知
支持海报、排片表识图。视觉智能体将图像特征转化为文本锚点，无缝驱动下游 GraphRAG 搜索。
AI 动态图谱维护
支持自然语言驱动的图谱 CRUD 操作。利用 ReAct 智能体实现非技术人员对知识库的敏捷维护。
Evaluation / 实验与评估
实证分析与性能突破
98.5%
事实逻辑准确率
35%
平均 TTFT 延迟降低
92%
多模态识别响应成功率
“本研究不仅实现了低算力成本下的高精度知识输出，还为垂直领域非结构化信息向机器智能时代的迁移提供了可靠的工程参照。”