本文提出了结合大型语言模型（LLMs）与知识图谱（KG）的创新方法，以提高自然语言问答的准确性和可解释性。通过KnowledgeNavigator和ReasoningLM框架，研究解决了LLMs在复杂推理中的幻觉问题，并创建了支持常识推理的新KGQA数据集。实验结果显示，这些方法在多个基准测试中表现优异，显著提升了推理能力。

该项目将中国法律法规数据向量化并接入ChatGPT，实现自然语言问答。但对于复杂案例场景，回答效果不佳，建议接入更多案例。使用时需拆分文章为每一节，使用Embedding将查询内容变成向量，执行相似性搜索，注入OpenAI的Completion文本自动补全接口。项目采用文本补全接口而非ChatCompletion接口。