JCQL：大模型与小模型协同的知识库补全与问答联合框架

JCQL（Joint Completion and Query Learning）是一种创新的大小模型协同框架，核心通过迭代协同机制让大语言模型（LLM）的推理能力增强知识库问答（KBQA），同时用KBQA的推理路径优化知识库补全（KBC）模型，实现两个任务的相互增强，形成知识闭环。

知识库面临不完整性（缺失事实连接）和查询复杂性（自然语言转知识库查询）两大挑战，对应KBC和KBQA任务。传统KBC依赖小模型（SLM）效率高但推理弱；KBQA用LLM推理强但易幻觉、成本高。两者互补：KBC补全的知识能增强KBQA的事实基础，KBQA的推理路径可为KBC提供训练信号，但现有研究多孤立处理或仅用SLM联合建模。

JCQL基于能力互补、迭代增强、动作抽象三大理念，实现双向增强：

1. KBC增强KBQA：将SLM训练的KBC模型作为LLM Agent的动作，可调用补全缺失事实，减少幻觉、降低成本、扩展覆盖。
2. KBQA增强KBC：提取KBQA成功推理路径中的隐含关系，增量微调KBC模型，学习隐含模式、持续改进、提升泛化。 两者形成迭代循环：初始KBC助力KBQA→KBQA推理产生新信号→增强KBC→进一步提升KBQA。

在公开数据集上评估，基线含独立KBC/KBQA及现有联合方法，指标为KBC的MRR/Hits@k和KBQA的准确率。结果：JCQL在两任务均超越基线；消融研究显示移除KBC动作或KBQA反馈会显著降低性能；案例中LLM Agent调用KBC补全关键事实成功回答多跳问题，推理路径反哺KBC。

JCQL展现大小模型协同新范式：LLM负责规划推理，SLM承担补全检索，无缝集成；迭代机制属跨任务自监督，两任务互为数据源，减少人工标注依赖；强调知识闭环（知识库→问答→反馈→知识库）对长期知识系统维护的重要性。

JCQL适用于：

1. 企业知识管理：补全演化中的企业知识库，降低部署成本；
2. 开放域问答：动态扩展知识覆盖，形成良性循环；
3. 多语言知识库：跨语言推理路径促进知识迁移。

当前局限：迭代训练成本高、错误累积风险、复杂长推理链处理弱。未来方向：自适应迭代平衡性能与成本、引入错误检测机制、扩展多模态知识库、联邦学习实现隐私保护下的分布式协同补全。