在知识图谱多跳问答任务中，问题的复杂语义往往难以被完全理解，这常导致回答的准确性低于预期。为此，提出了一种名为HL-GPT(hierarchical parsing and logical reasoning GPT)的新型框架。该框架利用大语言模型的理解和生成能力，通过分层解析复杂语义及构建逻辑推理路径，以提升问答任务的准确性。研究方法包括三个阶段：首先，通过大语言模型从问题的不同层次中解析出关键实体和多层关系，并将这些信息转换为逻辑形式；其次，将这些逻辑形式与知识图谱中的数据进行映射，并逐步检索相关实体以构建逻辑推理路径；最后，利用大语言模型固有的推理能力，整合问题和逻辑路径以生成准确的答案。本框架在MetaQA、COKG-DATA、AeroQA和NLPCC-MH四个数据集上进行实验，实验结果表明，HL-GPT相比基线模型有明显的性能提升。