工业知识图谱的问答，长期卡在一个取舍上：要么把整张图谱和表结构序列化进提示词，让模型一次读完；要么预先写死一套与schema绑定的检索逻辑。前者上下文成本随图谱增长，后者换个厂就要重写。arXiv上这篇关于GRA（Graph Reasoning Agent，图推理智能体）的论文，试的是第三条路：把代码智能体在陌生仓库里“边探索边找”的能力，原样搬到混合知识图谱上。
七个工具，不写死任何业务词汇
GRA假设的底座很克制：每个节点有标识、自然语言描述、标签和可选属性；关系是有向的主谓宾三元组；一部分节点其实是DuckDB数据表，可以用SQL查询。文本知识与关系数据共存于一张图，这就是所谓“混合”。工具只有七个，风格类似Unix命令：ls列邻居、cat读节点、grep做字面搜索、sems做语义搜索、只读query读表里的值等。系统提示词里没有概念清单、没有标签字符串、没有表名——领域知识全部在运行时通过导航获得。
论文还造了两个对照：RSA把图去掉，只在扁平文档块和表结构上检索；SQA则把约1.7万token的完整图谱描述和表结构一次性塞进提示词，最多六轮内输出SQL。三者在同一执行循环、同一策略提示下运行，差异只在“底座”和工具集。
258道题，答案先于问题生成
评测基准UFK-M是一个虚构的自行车装配厂，参考真实客户工厂但完全合成。它有一份用散文写成的“建厂文本”，规定运营规则、KPI和行业概念，再拆成两层：DuckDB数据层和映射到表的知识图谱语义层。题目采用“答案先行”的生成方式：先让模型针对表结构写SQL程序，在数据库上执行，只保留结果非空、非退化且不超过十行的程序，再让模型为这个已验证的结果写自然语言问题。因此每道题都真的可答，金标准是跑出来的程序输出，而不是模型写的文本。冻结的xlarge集共258题：116个表答案、84个单值、48个布尔值、10个列表；147题最多一次join，45题需要两次。
准确率88.4%，只读三分之一的输入
在七个骨干模型上，GRA在DeepSeek与GLM系列上表现最好：相对全上下文SQA，最高提升5.1个百分点（88.4%对83.3%），而读取的唯一输入token只有SQA的29%–33%。但图结构本身的贡献并不明显：GRA只比去掉图的RSA高0.3–1.9个百分点，在DeepSeek V4-Pro上两者无法区分。作者据此判断，收益主要来自“按需取用上下文”，而不是图谱拓扑。
另一个发现更实用：工具调用的可靠性比“想得更久”更关键。三个DeepSeek配置（是否开启推理）差距在1.2个百分点以内；GPT-5 Nano开启高推理后提升6.2个百分点，但失败调用率同时从10.2%降到5.8%，含失败问题的比例从51.6%降到34.9%——增益更像是可靠性改善带来的。工具调用预算也有拐点：xlarge上预算10次时准确率仅63.6%，10到30次快速上升，超过30次基本无增益，平均13轮即可完成。
一条排产规则的四步审判
论文最后给了产线场景：操作员说“铝框周一流向1号或2号焊接站，3号站在维修”。这句话语法正确、能编译成合法约束，却不可行。GRA用九次工具调用查出两个独立原因：一是1号站一条旧质量规则（R7）规定只焊碳纤维，因为铝粉尘会损伤碳件——规则说的是碳，请求说的是铝，字面无关，但在图里只隔一条边；二是产能账：按标准工时，当天铝框需要936分钟，两班制提供960分钟，纸面上刚好过；改用历史实测时长（实际焊接约长三分之一，换料另计），需要约1300分钟，缺口超过一个整班。拒绝结论连同证据一起返回，并给出两个修复选项：暂停碳纤维专用规则一天（需质量审批），或把三张订单挪到周二（两单会延期）。被接受的规则则交给ORA（运筹智能体）编译成数学优化模型与求解器代码，再作为新规则节点注册回图谱。
值得记住的是：冲突和缺口都没有存在任何字段里，都是问的那一刻找出来、算出来的。对工厂而言，这比“回答得像专家”更难，也更有用。
资料来源：Schema-Agnostic Graph Reasoning Agent for Hybrid Knowledge Graphs — arXiv（2026）。本文为技术要点整理/编译，非原文全文。