论文页面 - 程序化图：LLM智能体的自演进执行结构

来源：https://huggingface.co/papers/2609.09153

摘要

程序化图框架将智能体动作组织为结构化的关系三元组，提供情境引导和自演进拓扑结构以提升长期工具使用能力。

大语言模型越来越多地被部署为能够进行长期规划并通过外部工具行动的智能体。大多数智能体通过在不断累积的历史记录上进行无约束的生成来选择动作，这使得“应该做什么、按什么顺序做、在什么条件下做”的程序性知识（https://huggingface.co/papers?q=procedural%20knowledge）保持隐式状态。随着轨迹增长，智能体可能偏离目标、错误调用工具顺序并重复无效动作。我们引入程序化图（https://huggingface.co/papers?q=Procedural%20Graph）：正如知识图谱将事实知识组织成（实体，关系，实体）三元组以回答“是什么”的问题，程序化图将程序性知识（https://huggingface.co/papers?q=procedural%20knowledge）组织成（步骤，关系，步骤）三元组以回答“做什么”的问题。在每个决策步骤中，该框架会定位智能体的当前活跃节点，并通过引导模型（https://huggingface.co/papers?q=guidance%20model）将周围的子图转化为步骤级的情境引导，以影响求解器的下一步动作（而非强制规定）。该图谱具备自演进能力：一个LLM优化器（https://huggingface.co/papers?q=LLM%20refiner）通过对比失败轨迹与成功轨迹，编辑图谱的拓扑结构和属性，只提交那些能够保持或提升验证集性能的编辑，并保留被拒绝的编辑以避免重复错误。从最小化骨架开始，该循环机制能够构建出与人工设计相当甚至更优的图谱。它还能修复存在缺陷的专家先验知识。在多个数据集、任务类型和LLM模型上的实验表明，程序化图相较于基于记忆的基线方法能带来一致性的性能提升，并且自演进机制无需人工工程即可进一步优化性能。

查看arXiv页面 (https://arxiv.org/abs/2609.09153) 查看PDF (https://arxiv.org/pdf/2609.09153) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2609.09153)

在您的智能体中获取此论文：

hf papers read 2609\.09153

没有最新CLI？请运行 curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型数量：0

没有模型链接到此论文

在模型README.md中引用arxiv.org/abs/2609.09153即可从本页面链接到该模型。

引用本文的数据集数量：0

没有数据集链接到此论文

在数据集README.md中引用arxiv.org/abs/2609.09153即可从本页面链接到该数据集。

引用本文的空间数量：0

没有空间链接到此论文

在空间README.md中引用arxiv.org/abs/2609.09153即可从本页面链接到该空间。

包含本文的收藏数量：0

没有收藏包含此论文

将此论文添加到收藏 (https://huggingface.co/new-collection)即可从本页面链接到该收藏。