G2CP: A Graph-Grounded Communication Protocol for Verifiable and Efficient Multi-Agent Reasoning

📄 arXiv: 2602.13370v1 📥 PDF

作者: Karim Ben Khaled, Davy Monticolo

分类: cs.MA, cs.AI, cs.CL

发布日期: 2026-02-13

DOI: 10.65109/JHFW8307

💡 一句话要点

提出G2CP图谱通信协议，解决多智能体系统中的语义漂移和幻觉问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多智能体系统 知识图谱 通信协议 大型语言模型 可验证推理

📋 核心要点

  1. 现有基于LLM的多智能体系统依赖自然语言通信，易产生语义漂移和幻觉，影响推理的准确性和效率。
  2. G2CP通过图谱操作进行智能体间通信，利用结构化消息传递，保证推理过程的可验证性和准确性。
  3. 实验表明，G2CP显著减少了通信token，提高了任务完成准确率，并有效避免了幻觉的产生。

📝 摘要（中文）

本文提出了一种图谱通信协议G2CP，旨在解决由大型语言模型驱动的多智能体系统中，因智能体通过自然语言通信而导致的语义漂移、幻觉传播和低效token消耗等问题。G2CP采用结构化的智能体通信语言，消息不再是自由文本，而是图操作。智能体在共享知识图谱上交换显式的遍历命令、子图片段和更新操作，从而实现可验证的推理轨迹并消除歧义。在工业知识管理系统中，通过诊断、程序、综合和摄取等专业智能体协同回答复杂查询的实验结果表明，G2CP将智能体间通信token减少了73%，任务完成准确率比自由文本基线提高了34%，消除了级联幻觉，并生成了完全可审计的推理链。G2CP代表了多智能体系统中从语言通信到结构化通信的根本转变，对任何需要精确智能体协调的领域都具有重要意义。代码、数据和评估脚本已公开。

🔬 方法详解

问题定义：现有基于大型语言模型的多智能体系统，智能体之间通过自然语言进行通信，这导致了几个关键问题：一是语义漂移，即智能体对同一概念的理解随着对话的进行而产生偏差；二是幻觉传播，即一个智能体的错误信息会像滚雪球一样在系统中扩散；三是token消耗高，自然语言通信需要大量的token，增加了计算成本。这些问题限制了多智能体系统在需要高精度和可解释性的场景中的应用。

核心思路：G2CP的核心思路是将智能体之间的通信从自然语言转换为图操作。具体来说，智能体不再发送自由文本消息，而是发送在共享知识图谱上执行的命令，例如遍历图的边、提取子图或更新节点属性。这种结构化的通信方式消除了自然语言的歧义性，使得智能体的推理过程更加透明和可验证。

技术框架：G2CP的技术框架包括以下几个主要模块：1) 共享知识图谱：所有智能体共享一个知识图谱，作为知识的统一表示。2) 智能体：每个智能体负责特定的任务，例如诊断、程序执行、信息综合和数据摄取。3) 图操作命令：智能体之间通过发送图操作命令进行通信，这些命令包括节点和边的遍历、子图提取和属性更新等。4) 通信协议：定义了智能体之间如何交换图操作命令，以及如何处理冲突和错误。整个流程是，当一个智能体需要其他智能体的帮助时，它会生成一个图操作命令，并将其发送给相应的智能体。接收到命令的智能体执行该操作，并将结果返回给发送者。

关键创新：G2CP最重要的技术创新点在于它将智能体之间的通信从自然语言转换为图操作。与现有方法相比，G2CP的本质区别在于它使用结构化的消息传递代替了非结构化的文本消息传递。这种结构化的通信方式使得智能体的推理过程更加透明、可验证和高效。

关键设计：G2CP的关键设计包括：1) 图操作命令的定义：需要仔细设计图操作命令的类型和参数，以确保它们能够表达智能体之间的各种通信需求。2) 知识图谱的构建和维护：需要建立一个高质量的知识图谱，并定期更新和维护它，以确保智能体能够访问到最新的信息。3) 冲突处理机制：当多个智能体同时尝试更新知识图谱时，需要设计一种冲突处理机制，以避免数据不一致性。

📊 实验亮点

实验结果表明，G2CP在工业知识管理系统中表现出色。与基于自由文本的基线方法相比，G2CP将智能体间通信token减少了73%，任务完成准确率提高了34%，并且完全消除了级联幻觉。在500个工业场景和21个真实维护案例中，G2CP都展现了显著的优势。

🎯 应用场景

G2CP适用于需要精确智能体协调的各种领域，例如工业知识管理、智能制造、医疗诊断和金融风险管理。通过提供可验证的推理轨迹和消除歧义，G2CP可以提高决策的准确性和可靠性，并降低风险。未来，G2CP可以扩展到支持更复杂的图操作和更灵活的智能体协作模式。

📄 摘要（原文）

Multi-agent systems powered by Large Language Models face a critical challenge: agents communicate through natural language, leading to semantic drift, hallucination propagation, and inefficient token consumption. We propose G2CP (Graph-Grounded Communication Protocol), a structured agent communication language where messages are graph operations rather than free text. Agents exchange explicit traversal commands, subgraph fragments, and update operations over a shared knowledge graph, enabling verifiable reasoning traces and eliminating ambiguity. We validate G2CP within an industrial knowledge management system where specialized agents (Diagnostic, Procedural, Synthesis, and Ingestion) coordinate to answer complex queries. Experimental results on 500 industrial scenarios and 21 real-world maintenance cases show that G2CP reduces inter-agent communication tokens by 73%, improves task completion accuracy by 34% over free-text baselines, eliminates cascading hallucinations, and produces fully auditable reasoning chains. G2CP represents a fundamental shift from linguistic to structural communication in multi-agent systems, with implications for any domain requiring precise agent coordination. Code, data, and evaluation scripts are publicly available.