确定性推理图 (DRG)：一种全新的信息组织范式

确定性推理图 (DRG) 是一种新颖的信息组织范式。DRG 旨在通过明确构建推理过程来消除不确定性，确保非概率精度。

DRG 不是什么

• 一种新的大型语言模型 (LLM) 架构
• 一种学习算法
• 一种通用的泛化解决方案

DRG 通过在图中捕获领域的推理和决策模式来组织信息。它为推理检索、受控生成或决策（代理）等应用奠定了基础。

主要用例

• CoRG（推理链图）：一种结构化的、领域特定的 RAG。
• 判别器：使用逻辑图验证大型语言模型的输出。
• 数据集生成器：预应用推理以确保领域特定的一致性。
• 对话式和决策代理：由推理和决策树驱动的自动化。

了解 CoRG

本文重点介绍 CoRG 和对话/决策代理。显式推理依赖于强制非概率框架的分类。

CoRG 利用任务链（参见第 13 集）。TL;DR：它是一个推理序列。

在 CoRG 中，第一个推理是由大型语言模型进行的上下文分类。然后，这个分类（标签）用于查询图数据库。检索到的上下文在第二次推理之前注入到大型语言模型的动态提示调整中，使其能够生成输出。该原则确保了结果，因为图遍历是一个查询*。

代理架构

在代理架构方面，CoRG 被重用，但它与 RAG 的区别在于它检索代理的推理和决策。

LangGraph 类似但粒度较粗

• 路由类型：显式条件（if、match、switch）与语义和上下文
• 逻辑：决策树，按条件（值、布尔值等）路由与应用于图的决策树，意味着没有算法限制

使用 DRG 进行代理推理

每个代理都依赖于 DRG 结构，该结构不仅有条件地连接步骤，还编码了语义关系，如“触发于”、“继承自”、“由…调制”或“验证”。这使得代理能够基于工作流模式、操作、适应性和执行条件进行推理。它将系统架构转换为可控、可重用且明确的逻辑图。

DRG 的核心原则

该图由业务团队或科学领域根据每个用例特定的本体设计。这种结构限制了大型语言模型根据领域特定逻辑进行显式推理。

*实际上，查询还包括节点、关系和集群。此处为清晰起见进行了简化。为了保证结果，大型语言模型必须进行微调。