執行式本體論：解決知識圖譜自信錯誤答案並實現智能排序

作者分享了如何透過『可執行的本體論』解決 LLM 在圖譜檢索中出現『自信的錯誤答案』問題，提供了具體的技術解決方案，對構建更可靠的 AI 系統有價值。

文章探討了圖譜回溯中一個常見的失敗模式：系統在遍歷真實存在但與問題不符的邊緣時，會產生自信錯誤答案。例如，一個指向「類型」節點的 directed_by 邊，可能導致「這個人導演了犯罪這個類型」這類不合理的結果。為了解決此問題，作者將本體論從單純的文件轉變為執行式本體論。 • 這透過 YAML 一次性宣告每個關係的領域/範圍，並在圖譜遍歷時檢查每個跳轉的有效性，確保錯誤跳轉會引發具名錯誤。一個令人驚訝的發現是，相同的宣告機制也能用於關係排序。 • 透過為關係賦予權重，並將查詢模型化為一個小型電路，系統能根據「電流」為每個實體評分。

作者指出，這種方式「讓有效性驗證與排名皆源自單一事實來源」。這不僅有效解決了錯誤答案問題，還能智慧地過濾和排序結果，例如讓「諾蘭執導的科幻片」查詢中，《黑暗騎士》因非科幻片而獲得 0.0 的分數，無需額外編寫過濾器。