知识图谱推理（Knowledge Graph Reasoning, KGR）是指通过在知识图谱上执行逻辑推理来推断新知识的任务。近年来，大型语言模型（Large Language Models, LLMs）在复杂推理任务中展现出卓越的性能。尽管取得了令人瞩目的进展，现有的基于LLM的KGR方法仍面临两个关键挑战：其一，现有方法通常 indiscriminately（不加区分地）提取推理路径，未能评估不同路径的重要性差异，可能导致引入无关噪声，从而误导LLM；其二，尽管许多方法利用LLM动态探索潜在的推理路径，但这类方法往往对检索需求较高，并频繁调用LLM，带来较大的计算开销。为应对上述局限，我们提出PathMind——一种新型框架，旨在通过有选择性地引导LLM关注重要推理路径，提升推理的准确性与可解释性。具体而言，PathMind遵循“检索—优先级排序—推理”的三阶段范式。首先，通过检索模块从知识图谱中提取与查询相关的子图；其次，引入路径优先级机制，利用一种语义感知的路径优先级函数，识别出关键推理路径，该函数同时考虑路径的累积代价与到达目标节点的预期未来代价；最后，PathMind通过双阶段训练策略生成准确且逻辑一致的推理结果，该策略包括面向特定任务的指令微调（instruction tuning）以及基于路径的偏好对齐（path-wise preference alignment）。在多个基准数据集上的大量实验表明，PathMind在各类推理任务中均显著优于现有先进基线方法，尤其在复杂推理任务中表现突出，且在输入token数量较少的情况下仍能有效识别关键推理路径，展现出更强的效率与鲁棒性。