该论文提出了一个基于大语言模型的统一智能体框架，用于自动构建城市知识图谱。

研究背景与问题

• 城市知识图谱 是智慧城市中的关键基础设施，用于整合多源城市数据并支持各类城市应用（如交通管理、污染监测等）。
• 传统UrbanKG构建方法依赖人工规则设计，成本高、扩展性差。
• 现有LLM在UrbanKG构建中存在两大挑战：
  1. 异构关系理解不足（如空间、时间、功能关系）；
  2. 地理空间计算与推理能力弱（如距离计算、空间关系判断）。

提出的方法：UrbanKGent框架

UrbanKGent是一个无需重新训练大模型的LLM智能体框架，包含三个核心模块：

1. 知识化指令生成

• 异构感知指令：针对RTE任务，设计多视角（空间、时间、功能）的指令模板，引导模型理解异构关系。
• 地理空间注入指令：针对KGC任务，将实体经纬度等地理信息融入指令，增强空间关系推理。

2. 工具增强的迭代轨迹优化

• 轨迹生成：使用CoT提示GPT-4生成推理轨迹。
• 工具调用：构建8种地理空间工具（如距离计算、空间关系判断），供LLM调用以增强推理。
• 自优化机制：通过“验证-更新”循环迭代优化轨迹，提升轨迹质量与可靠性。

3. 混合指令微调

• 使用优化后的轨迹对开源LLaMA-2/3模型进行指令微调，得到不同规模的UrbanKGent模型（7B/8B/13B），实现低成本、高效的UrbanKG构建。

实验与结果

• 数据集：纽约市和芝加哥的地理与文本数据。
• 任务：关系三元组抽取 + 知识图谱补全。
• 评估方式：人工评估 + GPT-4自评估。
• 主要结论：
  • UrbanKGent在两项任务上显著优于31个基线模型，包括GPT-4。
  • UrbanKGent-13B在NYC和CHI数据集上比GPT-4提升10%~17%，成本降低约20倍。
  • 使用仅1/5的数据，构建的UrbanKG关系类型比现有基准丰富数百倍。

创新点

1. 提出首个面向UrbanKG构建的LLM智能体框架。
2. 设计了异构感知与地理空间增强的指令生成方法。
3. 引入工具调用与迭代自优化机制，显著提升地理空间推理能力。
4. 开源了UrbanKGent模型家族，提供低成本、高效的UrbanKG构建服务。

应用价值

• 支持自动、低成本、大规模的城市知识图谱构建。
• 可应用于交通预测、城市规划、环境监测等智慧城市场景。
• 已开源模型与代码，促进后续研究与实际部署。

总结

UrbanKGent通过结合指令工程、工具增强与模型微调，有效解决了LLM在城市知识图谱构建中的两大挑战，实现了高效、自动、可扩展的UrbanKG构建，为智慧城市研究提供了强有力的工具支持。

如果需要我进一步提炼为PPT、图示或中文简报，也可以继续告诉我。