Недавние достижения в области ИИ привели к появлению 'агентных' приложений, особенно тех, которые используют Протокол Контекста Модели (MCP) для взаимодействия больших языковых моделей (LLMs) с различными инструментами. Эта интеграция позволяет решать сложные задачи, обращаясь к внешним источникам данных. Общедоступные конечные точки SPARQL служат идеальным средством для объединения различных наборов данных через MCP. Это достигается за счет реализации стандартизированного протокола и языка запросов, использования согласованных форматов метаданных и нативной возможности федерации запросов. В данном исследовании мы изучаем эффективность интеллектуальных агентов на основе SPARQL-MCP в выполнении федеративных SPARQL-запросов. Сначала мы обсуждаем, как адаптировать существующий бенчмарк Вопросов и Ответов по Графам Знаний (KGQA) для включения агентного федеративного KGQA (FKGQA). Затем мы реализуем и оцениваем интеграцию федерации SPARQL с агентами LLM через MCP, сосредоточив внимание на таких аспектах, как обнаружение конечных точек, выбор источников, исследование схем и формулирование запросов. Наши результаты предоставляют ценные сведения о архитектурных альтернативах и обогащают существующие методологии для автоматизированной федерации SPARQL-запросов в сочетании с агентным ИИ.
Агентный SPARQL: Оценка Интеллектуальных Агентов с Использованием SPARQL-MCP на Бенчмарке FKGQA
В данной статье рассматривается интеграция SPARQL-MCP с интеллектуальными агентами для улучшения федеративных запросов в Графах Знаний.
5 min readИскусственный Интеллект