本稿では、知識グラフ質問応答（KGQA）における大規模言語モデル（LLM）のプランニング能力を向上させる新しいフレームワーク「例示ガイドプランニング（EGP）」を提案します。従来、LLMは自然言語の問い合わせと構造化された知識グラフとの間にセマンティックギャップを抱え、プランニングが最適でない場合が多かった。本研究では、トレーニングデータの有効な推論パターンを最大限に活用し、事例テンプレートを用いてトレーニングセットの質問を前処理し、セマンティック埋め込みとFAISSインデックスを用いて類似の事例を取得します。これにより、生成したサブオブジェクティブを既存の推論ステップと整合させるタスク分解や、関係探索時の品質向上に貢献します。また、スマートルックアヘッドメカニズムを導入し、効率性を高めることを目指しています。実際のKGQAデータセットでの実験により、EGPを適用した「PoG-EGP」が従来のPoGシステムよりも優れた結果を示すことが確認されました。