Los Grafos de Conocimiento (KGs) del mundo real son inherentemente incompletos, lo que dificulta un razonamiento efectivo en etapas posteriores. Aunque los Modelos de Lenguaje Grande (LLMs) poseen poderosas capacidades semánticas, aplicarlos directamente a la Compleción de Grafos de Conocimiento (KGC) a menudo conduce a alucinaciones y a una falta de conciencia estructural. Para abordar estos desafíos, proponemos el Ajuste de Instrucciones Guiado por Embeddings (EGIT), un marco novedoso que sinergiza la precisión estructural de los modelos de embeddings con el razonamiento semántico de los LLMs. Nuestro enfoque opera en tres etapas clave: (1) utilizar modelos de embeddings preentrenados para sintetizar automáticamente datos de instrucciones de alta calidad y sin anotaciones; (2) ajustar el LLM con estas instrucciones conscientes de la estructura para adaptarlo a la tarea de KGC; y (3) emplear un mecanismo de inferencia conjunta donde el modelo de embeddings recupera candidatos y el LLM ajustado realiza la selección final, reduciendo así significativamente las alucinaciones. En experimentos extensos, la mejor variante de EGIT logra mejoras del 7.0% y 2.5% en Hits@1 en los conjuntos de datos FB15k-237 y WN18RR, respectivamente.