title: PersonalAI 2.0: Enhancing Knowledge Graph Traversal/Retrieval with Planning Mechanism for Personalized LLM Agents arXiv: 2605.13481 date: 2026-05-13 tags: [agent-memory, memory-representation, knowledge-graph, personalized-agent, graph-rag] reviewer: auto source: arXiv RSS/API

PersonalAI 2.0: Enhancing Knowledge Graph Traversal/Retrieval with Planning Mechanism for Personalized LLM Agents¶

论文信息¶

arXiv: 2605.13481
作者: Mikhail Menschikov, Matvey Iskornev, Alexander Kharitonov, Alina Bogdanova, Mikhail Belkin, Ekaterina Lisitsyna, Artyom Sosedka, Victoria Dochkina, Ruslan Kostoev, Ilya Perepechkin, Evgeny Burnaev
发表日期: 2026-05-13
类别: cs.CL
主题: 知识图谱增强的个性化 Agent 记忆系统

摘要¶

PersonalAI 2.0 (PAI-2) 是一个将外部知识图谱（Knowledge Graph, KG）与大语言模型深度集成的框架，旨在增强个性化 LLM Agent 的记忆与推理能力。该框架针对现有 GraphRAG 方法的局限性，提出了动态多阶段查询处理流水线，能够执行自适应、迭代式信息搜索。

核心贡献¶

动态多阶段查询处理：PAI-2 能够根据提取的实体、匹配的图节点和生成的线索查询，执行自适应迭代式信息搜索，而非一次性检索
图遍历算法增强：BeamSearch、WaterCircles 等图遍历算法相比扁平化检索器平均提升 6%
搜索计划增强机制：启用搜索计划增强后，在六个数据集上获得 18% 的 LLM-as-Judge 评分提升
MINE-1 基准 SOTA：在个性化记忆信息保留基准上达到 89% 的信息保留分数

技术详解¶

问题背景¶

现有的 GraphRAG 方法存在以下局限： - 缺乏自适应迭代搜索能力 - 无法根据中间结果动态调整查询策略 - 图遍历深度受限，难以处理复杂多跳查询

框架设计¶

PAI-2 的核心设计：

实体提取：从用户查询中提取关键实体
图顶点匹配：将实体与知识图谱中的顶点匹配
线索查询生成：基于匹配结果生成下一步搜索的线索
迭代搜索：通过 BeamSearch 或 WaterCircles 算法遍历图谱
答案生成：整合检索结果生成最终答案

性能评估¶

在六个基准上的表现（对比 LightRAG、RAPTOR、HippoRAG 2）： - Natural Questions、TriviaQA、HotpotQA、2WikiMultihopQA、MuSiQue、DiaASQ - LLM-as-Judge 平均提升 4% - 图遍历算法平均提升 6% - 搜索计划机制带来 18% 提升

记忆信息保留¶

在 MINE-1 基准上： - 89% 信息保留分数（SOTA） - 使用 7-14B 参数的 LLM 即可达成

为什么重要¶

PersonalAI 2.0 展示了知识图谱作为 Agent 外部记忆的有效性： - 可解释性强：图结构提供了透明的推理路径 - 迭代式记忆检索：通过 clue-queries 实现自适应搜索，而非静态检索 - 个性化记忆：针对每个用户的知识图谱进行定制 - 减少幻觉：通过精确的图遍历而非端到端生成，提高事实正确性

与端侧/移动端的相关性¶

可部署性强：PAI-2 的框架设计适合在端侧部署——知识图谱可本地存储，图遍历计算量相对可控
隐私友好：个性化知识图谱可以在设备端构建和查询，用户数据不出本地
高效检索：相比全量上下文输入，图遍历的线性时间复杂度更适合资源受限的端侧环境
模块化设计：各组件（实体提取、图匹配、线索生成）均可独立优化，便于在移动端裁剪

参考文献¶

（参考文献待从原文补充）