Wissensgraph-Reasoning (Knowledge Graph Reasoning, KGR) bezeichnet die Aufgabe, durch logische Schlussfolgerungen auf Wissensgraphen neue Wissen zu erschließen. In jüngster Zeit haben große Sprachmodelle (Large Language Models, LLMs) beachtliche Leistungen bei komplexen Schlussfolgerungsaufgaben gezeigt. Trotz dieser vielversprechenden Erfolge weisen derzeitige LLM-basierte KGR-Methoden zwei kritische Einschränkungen auf. Erstens extrahieren bestehende Ansätze oft Schlussfolgerungspfade unkritisch, ohne deren unterschiedliche Relevanz zu bewerten, was irrelevante Störungen einführen und die LLMs irreleiten kann. Zweitens nutzen viele Methoden LLMs, um potenzielle Schlussfolgerungspfade dynamisch zu erkunden, was jedoch hohe Anforderungen an die Recherche und häufige Aufrufe des LLMs mit sich bringt. Um diese Einschränkungen zu überwinden, stellen wir PathMind vor – einen neuartigen Rahmen, der eine zuverlässige und interpretierbare Schlussfolgerung durch selektive Führung der LLMs mit bedeutenden Schlussfolgerungspfaden verbessert. Konkret folgt PathMind einer „Retrieve-Prioritize-Reason“-Paradigma. Zunächst ruft das System über das Retrieval-Modul einen Teilgraphen für die Abfrage aus dem Wissensgraphen ab. Anschließend führt es eine Pfadpriorisierung ein, die mithilfe einer semantikbewussten Pfad-Prioritätsfunktion wichtige Schlussfolgerungspfade identifiziert, die sowohl die akkumulierte Kosten als auch die geschätzten zukünftigen Kosten zur Erreichung des Ziels berücksichtigen. Schließlich erzeugt PathMind präzise und logisch konsistente Antworten durch eine zweiphasige Trainingsstrategie, die aus einer aufgabenbezogenen Anweisungstuning und einer pfadweisen Präferenzausrichtung besteht. Umfangreiche Experimente auf Benchmark-Datensätzen zeigen, dass PathMind konsistent gegenüber konkurrenzfähigen Baselines übertrifft, insbesondere bei komplexen Schlussfolgerungsaufgaben mit weniger Eingabeparametern, da es wesentliche Schlussfolgerungspfade identifiziert.