EvoOntology: uno strato ontologico autoevolutivo per agenti per i dati

Abstract degli autori

Gli agenti per i dati mirano a eseguire istruzioni in linguaggio naturale su dati eterogenei, tra cui tabelle, file e database. Tuttavia, devono affrontare una difficile distanza tra agenti e dati: i dati eterogenei si trovano al di fuori dell’agente, che può accedervi (per esempio, ai nomi delle colonne e ai percorsi dei file) solo tramite strumenti generici. Gli approcci esistenti permettono agli agenti di esplorare direttamente le fonti di dati grezzi oppure inseriscono nei prompt livelli semantici costruiti manualmente. Nessuna delle due soluzioni, però, è adatta a fonti di dati eterogenee di grandi dimensioni o si adatta ai diversi comportamenti degli agenti. In questo lavoro presentiamo EvoOntology, uno strato ontologico autoevolutivo per agenti per i dati. EvoOntology racchiude l’ontologia in un server MCP composto da uno strato di schema, uno strato di contenuto e uno strato di strumenti, consentendo agli agenti di interrogare e usare attivamente l’ontologia durante l’esecuzione. A tal fine, introduciamo un agente per la costruzione autonoma dell’ontologia e un ciclo di autoevoluzione che la perfeziona continuamente tramite modifiche tipizzate guidate dall’attribuzione, accettate solo dopo una valutazione appaiata condizionata dal backbone. Gli esperimenti su tre benchmark per agenti per i dati ampiamente adottati, con quattro backbone di LLM, dimostrano che EvoOntology supera costantemente le baseline più solide e gli approcci esistenti basati su livelli semantici, colmando efficacemente la distanza tra agenti e dati e consentendo interazioni più efficaci con dati eterogenei. Codice: https://github.com/ruc-datalab/EvoOntology