说明：当前仅获取到论文摘要元数据，**无法拿到Introduction与Conclusion原文**，因此仅完成：文章主要内容创新点总结、Abstract中英对照翻译；Introduction、Conclusion部分因缺少全文文本无法翻译，已在Markdown文档中标注说明。# Foresight‑over‑Graph: Reasoning Beyond Local Horizons for Knowledge Base Question Answering arXiv:2610.08388，NeurIPS 2026接收，25页，10张图## 一、文章主要内容总结大语言模型（LLM）在问答任务上表现出色，但在知识密集型任务中容易产生幻觉。知识图谱（KG）可以为大模型提供结构化、可解释、可更新的事实依据，是提升问答可靠性的优质外部知识源。现有大模型引导的图推理方法，在证据检索阶段大多采用逐跳贪心或者束搜索剪枝策略。这类只看局部的决策存在**短视缺陷**：在源节点附近看起来不重要的证据，当向图更深层探索后，可能会变成关键证据；传统方法会过早丢弃这些对答案至关重要的推理分支，后续很难恢复正确推理链，造成KBQA（知识库问答）性能下降。本文提出 **FoG（Foresight‑over‑Graph）**，一种具备前瞻意识的证据检索框架用于知识库问答。FoG迭代构建和问题相关的证据子图，使用**由远到近（far‑to‑near）反馈**指导路径探索，同时维护一个精简记忆子图支持持续图探索。在主流KBQA基准数据集上大量实验表明：FoG取得SOTA结果；在CWQ数据集Hit指标上提升高达**16.58%**；同时还能够减少大模型调用次数与toke