通过进化进行推理：面向 LLM 虚假新闻检测的自动元路径发现

arXiv 论文提出 MAGER 框架，用多智能体遗传进化自动发现适合 LLM 推理的 meta-path，将复杂传播图压缩为信息量更高的子图，缓解信息过载与模态不匹配，使冻结的 LLM 在零样本和少样本条件下进行结构感知的虚假新闻判断；同时引入图上下文学习，检索语义与结构相似的示例。实验显示其在数据高效场景中明显提升冻结 LLM 的独立检测表现，代码已开源。

此前虚假新闻检测多依赖有监督 GNN，需要大量标注数据且泛化有限；LLM 虽推理强，却难以直接处理原始传播图。该工作把图结构搜索与 LLM 推理结合，试图在少标注条件下获得结构感知能力，减少对大规模标注与再训练的依赖。

机制是用多智能体遗传进化在传播图上搜索 meta-path，将大图压缩为关键子图，从而降低输入长度并让文本型 LLM 能消费结构信息；再通过图上下文学习检索语义与结构相近的示范，弥补冻结模型缺乏任务微调的不足，使分类与推理在少样本下更稳定。

对内容审核与风控产品，可直接评估用冻结 LLM 加自动 meta-path 检索替代部分 GNN 训练流程，降低标注与迭代成本；研发上需要建设传播图抽取、子图检索与示例库，并关注推理延迟与图数据质量对效果的影响。

• 在内容审核或舆情系统中小范围试点 MAGER，用少量标注对比现有 GNN 的准确率与标注成本
• 将自动 meta-path 发现封装为图特征服务，供已有 LLM 审核流程按需调用
• 基于开源代码搭建传播图子图检索与示例库，验证零样本与少样本场景的可用性
• 在虚假新闻检测产品中增加结构证据解释字段，输出被选中的子图或路径供人工复核

• MAGER 在真实生产规模传播图上的延迟与吞吐是否可接受，证据未说明
• 实验所用数据集、标注量与评测指标的具体数值未在摘录中给出
• 进化得到的 meta-path 是否可跨平台或跨事件迁移，证据未说明
• 图上下文学习示例库的构建与维护成本尚未量化