大型语言模型推理增强外部知识：综述

大型语言模型（LLMs）的最新进展增强了自然语言推理。然而，它们有限的参数记忆和易受幻觉影响的特性，在需要准确的基于上下文推理的任务中仍然存在持续挑战。为了克服这些限制，越来越多的研究提出了利用外部知识来增强LLM的方法。本研究系统地探索了使用外部知识增强LLM的策略，首先通过一个分类法将外部知识分为非结构化数据和结构化数据。接着，我们重点讨论结构化知识，提出了表格和知识图谱（KGs）的不同分类法，详细介绍了它们与LLM的集成范式，并回顾了具有代表性的方法。我们的比较分析进一步突出了可解释性、可扩展性和性能之间的权衡，为开发可信且具有普适性的知识增强LLM提供了洞察。

引言

大型语言模型（LLMs）的进展（Radford 等，2019；Brown 等，2020a；Achiam 等，2023；Touvron 等，2023a,b；Grattafiori 等，2024）显著推动了自然语言处理的进步。这些模型在自然语言理解、生成和推理方面表现出色。然而，它们仍然面临若干限制，促使研究人员将外部知识整合到模型中，以提高性能、可靠性和可解释性。 主要的限制包括：1）由于训练数据的截止，知识过时；2）幻觉问题（Huang 等，2025）；3）缺乏领域特定的专业知识；4）响应缺乏透明度。为了解决这些问题，研究人员正在通过在推理过程中引入外部信息，将LLM转变为具有知识感知的助手。尽管在这一领域取得了快速发展，但知识增强LLM推理的格局仍然是碎片化的，不同的数据模态和领域的方法不断演变。这些方法大多遵循检索-增强-生成（RAG）框架（Fan 等，2024），该框架专注于检索相关的外部知识，通过模型的内部理解进行增强，并生成响应。由于这种方法在减少幻觉的同时保留了LLM的生成能力，它已成为主流。 本文首先介绍了知识来源的分类法，将其分为结构化（Zhang 等，2024；Pan 等，2024；Dagdelen 等，2024）和非结构化（Gao 等，2024；Yin 等，2024；Selmy 等，2024）形式。我们主要关注结构化数据，因为它具有明确的关系和推理能力，回顾了利用表格和知识图谱（KGs）数据的相关方法。这包括符号推理（Rajkumar 等，2022；Nahid 和 Rafiei，2024a）、神经推理（Wang 等，2024）和混合推理（Nahid 和 Rafiei，2024b；Zhang 等，2025；Nguyen 等，2025）用于表格数据的处理，以及松散耦合（Baek 等，2023；Li 等，2024b；Wu 等，2023）和紧密耦合（Sun 等，2024；Ma 等，2025；Chen 等，2024）用于知识图谱的集成方法。我们通过比较这些方法的优势、局限性和主要权衡，总结了它们的特点。 通过关注知识集成，我们强调的是在推理过程中增强LLM的方法，而非预训练或微调。这种方法需要较少的资源，并允许动态响应，因为外部知识可以根据需要实时添加，而无需重新训练，同时保持模型性能。 本综述的主要贡献包括： • 对外部知识来源和集成策略的全面分类，特别关注表格和知识图谱（KGs）。 • 通过基准实验对代表性方法进行比较分析，突出其优缺点和权衡。 • 提供实践性见解和指导，为未来的知识增强LLM研究提供参考。