reasoning-on-graphs

让大模型推理有据可依，每一步都可解释

Reasoning on Graphs 是 ICLR 2024 论文的官方实现，旨在解决大语言模型在复杂推理任务中缺乏可解释性和事实一致性的问题。它提出了一种名为 RoG 的方法，将推理过程与知识图谱结合，通过规划关系路径来引导大模型生成更可靠、可验证的答案。核心能力包括：从知识图谱中提取关系路径作为推理依据，将路径与问题共同输入大模型以增强推理，以及通过对比学习优化路径生成。项目提供了完整的训练和推理代码，支持多个基准数据集，并包含预训练模型权重。它主要面向需要高可信度推理的场景，如问答、事实验证等。

开源 free 开源模型
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 534
维护状态 低维护
是否开源 是
定价模式 free

项目数据

分类开源模型
开发团队RManLuo
所属国家
官网地址
GitHubhttps://github.com/RManLuo/reasoning-on-graphs
定价模式free
价格说明开源项目，MIT许可证，完全免费，需自行部署使用。
访问状态
是否开源是
开源协议MIT
主要语言Python
技术栈/模型kg,knowledge,large-language-models,llm,reasoning,reasoning-on-graph
GitHub 星标★ 534
30天Star增速
HF 下载量
上线时间2023-10-01 00:00:00
最近更新2026-09-23 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数4

使用教程

核心亮点

  • 结合知识图谱路径，显著提升推理结果的可解释性
  • 官方实现，代码完整，附带预训练模型和数据集
  • 在多个基准上验证了优于直接提示大模型的效果

不足之处

  • 依赖外部知识图谱，构建和维护成本较高
  • 文档/社区待观察

适用场景

  • 复杂问答系统，需提供可解释的答案依据
  • 事实验证，判断陈述与知识图谱的一致性
  • 多跳推理任务，如常识推理或医学问答

替代项目

GraphRAG、Think-on-Graph、KGP-LM

项目介绍

reasoning-on-graphs 是开源模型领域的开源项目，由 RManLuo 开发，2023 年首次发布。

它收录于开源模型分类，该分类目前共有 424 个项目，GitHub 星标数为 534。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-23。MIT许可证，完全免费，需自行部署使用。

它主要面向的使用场景是：复杂问答系统，需提供可解释的答案依据。同类可对比的替代方案包括 GraphRAG、Think-on-Graph、KGP-LM。

上一篇：Awesome-LLM-Enhanced-Recommender-Systems

下一篇：Awesome-Language-Model-on-Graphs

同类项目推荐

Machine-Learning 开源

跟着博客笔记，边看边跑机器学习代码

All content related to machine learning from my blog

★ 115 2026-08-09
CoreML-Models 开源

下载即用的苹果端 AI 模型库，免去转换烦恼

Core ML model zoo for iOS/macOS — PyTorch models converted to ready-to-use .mlpacka···

★ 1873 2026-08-10