2025_NIPS_GraphChain: Large Language Models for Large-scale Graph Analysis via Tool Chaining

GraphChain 文章核心总结与翻译

一、主要内容

GraphChain 是一款针对大型语言模型（LLMs）处理大规模图数据时面临的上下文限制和推理僵化问题的框架，通过动态工具链模拟人类探索式智能，实现高效的大规模图分析。文章围绕该框架的设计、实现与验证展开，涵盖核心机制、实验评估等关键内容，证明其在多领域图分析任务中的优越性。

二、核心创新点

1. 渐进式图蒸馏（Progressive Graph Distillation）：基于强化学习机制，生成平衡任务相关性与信息压缩的优化工具序列，逐步缩减图数据规模并保留关键信息，解决上下文耗尽问题。
2. 结构感知测试时适配（Structure-aware Test-Time Adaptation）：利用图谱谱特性和轻量级适配器，无需昂贵的重训练即可动态调整工具选择策略，适配多样化图拓扑结构。
3. 工具链驱动的探索式推理：将复杂图分析任务分解为专业化操作序列，激活LLMs的推理能力，实现类似人类逐层探索的分析过程，避免单一工具调用导致的推理幻觉。

三、关键成果

• 在5个真实世界图推理场景中，平均准确率达84.7%，较最佳基线模型（GraphForge）提升20.7%。
• 仅需7B参数即可超越8B参数的专业图推理模型和200B参数的通用LLMs，具备优异的参数效率。
• 支持处