graph

对递归AI智能体系统中终止问题的分析，强调了智能体如何在仍选择有效动作的同时丢失已验证的位置，并质疑终止逻辑应位于智能体栈的何处。

本文提出了一种可解释的基于网络的框架，使用二进制概念特征表示八种语言的习语表达。社区检测显示，习语按概念图式而非语言聚类，该框架在习语检测和跨语言迁移方面优于基于嵌入的基线方法。

解释如何使用 A* 算法在圆形障碍物周围进行路径寻找，通过将环境转换为使用切线可见性和双切线构建的图。

本文提出 TRACE，一种查询处理框架，将对话数据建模为时间证据图，以支持对不断演进的用户状态进行状态感知推理，从而提高长对话问答中的时间推理和多跳推理能力。

Yohei Nakajima 分享了一个 activegraph 上编码智能体的演示，该智能体自动生成追踪和图形。

MRAgent 提出了一种新颖的基于图的记忆框架，能在推理过程中动态重构记忆，在长程基准测试上实现高达 23% 的性能提升，同时降低了计算成本。

该论文提出 FluxMem，一种将智能体记忆视为不断演化的图结构，通过动态修复连接和提炼技能来提升记忆效果的系统。实验显示其在多个任务上优于现有方法，例如在 LoCoMo 上达到 95.06% 准确率，并在 GAIA 上相比 Kimi K2 提升 12.73 分。

ActiveGraph 使用追加式事件日志为长时间运行的代理提供了一个持久、可回放的世界，支持分支、差异和谱系功能。

GraphARC是一个针对图结构数据抽象推理的新基准，将ARC范式扩展到图领域。对最新语言模型的评估揭示了理解与执行之间的差距，且在大规模实例上性能下降，凸显了扩展挑战。