本文探讨了通过图形推理增强大型语言模型（LLMs）的能力，提出了Graph-ToolFormer框架，并在多个图形推理任务上进行实验。研究表明，LLMs在图数据分析中表现良好，但在结构推理和多答案任务中存在挑战。结合图学习模型的GraphLLM显著提高了推理准确率。此外，提出了NLGift基准测试，以评估LLMs在真实世界图任务中的推广能力，发现后训练对齐是提升推理能力的有效策略。