第35回　LLM 与图的协同——图提示与联合模型

图可化作一卷书，书里暗藏万条路。
若把路径写成法，模型也能学走步。

到第34回为止，我们练的是“图的内功”：
走路（BFS）、几何（嵌入）、传话（GNN）。

可江湖在 2024–2026 年最热的一招，是把两大门派合并：

• 大模型擅长语言与推理
• 图擅长结构与关系

于是出现了一个总命题：
LLM 能不能做图推理？图能不能让 LLM 更可靠？

相关综述把“LLM for Graphs”分成多种范式：
有的把 GNN 当前缀，有的把图序列化成文本，有的让 LLM 与图模块协作。¹

这一回我们用说书人的口吻，把它讲成两条路：

1. 把图喂给 LLM（让它看懂图）
2. 让图服务 LLM（让它回答更稳）

一、把图喂给 LLM：先解决“怎么看”

LLM 天生吃文本，不天生吃图。
所以第一件事是“翻译”：

• 把节点与边写成文本序列
• 把子图写成路径列表
• 把图算法写成伪代码，让模型沿伪代码推理

其中一个很有代表性的做法是“伪代码提示”：
把图问题（如最短路、连通性）对应的算法步骤写成伪代码，让模型照着走，性能会更稳。²

这和导读里“慢思考”的精神一致：
别让它凭感觉编，给它一条可执行的路。

二、让图服务 LLM：再解决“回答凭什么可信”

反过来，图也能增强 LLM：

• 知识图谱提供结构化事实，减少“编关系”
• GraphRAG 提供可解释的路径与子图证据
• 图上检索能做多跳取证，补齐纯相似检索的短板

你会发现：
图对 LLM 的价值，不只是“多一点知识”，而是“把知识组织成可追溯结构”。

三、联合模型：一半是图，一半是语言

常见的联合形态有三种（只说直觉，不展开公式）：¹

1. GNN→LLM：先用 GNN 编码子图，再把编码结果送进 LLM 生成
2. LLM→GNN：LLM 产出伪标签/指令/补边建议，反过来训练或修正图模型
3. 协作式：LLM 负责规划与解释，图模块负责检索与验证，像两个人搭档办案

这和第二十二回“工具调用”是一脉：
LLM 不必什么都自己做，它只要会调度“更擅长的工具”。

四、极简可跑代码：把子图写成“路径伪代码”

我们不调用任何大模型，只演示“把图翻译成文本提示”的核心手艺：

• 输入：一批三元组子图
• 输出：一段可读的“路径/规则”文本（可作为提示词的一部分）

TRIPLES = [
    ("张三", "就读于", "清华"),
    ("清华", "位于", "北京"),
    ("北京", "属于", "中国"),
]


def to_pseudocode(triples):
    lines = []
    lines.append("DATA:")
    for h, r, t in triples:
        lines.append(f"  EDGE({h}, {r}, {t})")
    lines.append("")
    lines.append("ALGO (follow step by step):")
    lines.append("  1) Start from the query entity.")
    lines.append("  2) Traverse EDGE to find reachable nodes.")
    lines.append("  3) If a path connects A to B, report the path as evidence.")
    return "\n".join(lines)


if __name__ == "__main__":
    print(to_pseudocode(TRIPLES))

你看，这段“伪代码提示”没什么玄学：
它只是把图结构与推理步骤写得更明确，
让模型更像“按步骤做题”，而不是“凭语感作文”。

这也解释了为什么伪代码提示在一些图推理任务上能提升表现：
它把隐含的算法步骤显式化了。²

五、小结：协同的关键是“翻译”和“验证”

LLM 与图的协同，说到底就两件事：

• 翻译：图怎么变成 LLM 能读的上下文
• 验证：LLM 说的话怎么落回图的证据与约束

下一回（第36回）我们从“结构”转向“行动”：
规划与自省循环——让智能体学会分解任务、执行、复盘、再来一遍。

欲知后事如何，且听下回分解。

幻觉核查

• LLM for Graphs 的范式分类：可核对综述对 GNNs as Prefix / text serialization / integration 等体系化总结。¹
• 伪代码提示用于图推理：可核对论文对 pseudo-code prompting 的设置与实验结论。²
• 本回代码只展示“图→文本提示”的最小形式，不代表最佳提示工程或完整联合模型架构。

逻辑审计

• 与第34回衔接：第34回讲图上的消息传递，本回讲如何把结构信息送进 LLM，或让 LLM 反过来改图。
• 与导读一致：导读强调“慢思考=把过程写出来”，伪代码提示正是把过程外显。
• 为第36回铺路：协同的下一步是“工作流化”，规划与反思把协同变成可重复执行的系统。

引用与溯源