Procedural Graphs: Self-Evolving Execution Structures for LLM Agents
arXiv 论文 2609.09153 提出 Procedural Graph 框架，将程序性知识组织为 (procedure, relation, procedure) 三元组，用于 LLM 智能体的长程规划。框架在每一步定位智能体的活动节点，由引导模型将周围子图转化为步骤级情境指导，偏向但不强制求解器的下一步动作。图结构自进化：LLM 精炼器对比失败与成功轨迹，编辑图的拓扑和属性，仅提交能保持或提升保留验证性能的编辑，并保留被拒绝的编辑以抑制重复。论文于 2026-09-08 发布。
Development
- First ReportProcedural Graphs: Self-Evolving Execution Structures for LLM AgentsHugging Face Daily Papers
- Industry ResponseProcedural Graphs: Self-Evolving Execution Structures for LLM AgentsarXiv cs.AI
- Current Assessment该研究针对 LLM 智能体长程规划中的目标丢失和工具乱序问题，提出显式程序性知识结构，可能影响 Agent 框架的设计方向。若验证有效，可能推动从隐式上下文生成向显式执行图演进的趋势。可验证的下一信号：是否有主流 Agent 框架（如 LangChain、AutoGPT）集成类似图结构，或后续工作在不同工具集上的泛化表现。Agent Pulse · analysis
arXiv 论文 2609.09153 提出 Procedural Graph，一种自进化的执行结构，用于改进 LLM 智能体的长程规划与工具调用。论文指出，多数智能体通过无约束生成选择动作，隐含的程序性知识（做什么、顺序、条件）未被显式建模，导致轨迹变长时目标丢失、工具乱序和重复无效动作。Procedural Graph 类比知识图谱，将程序性知识组织为 (procedure, relation, procedure) 三元组。决策时，框架定位活动节点，引导模型将子图转为情境指导，偏向但不强制下一步动作。图自进化：LLM 精炼器对比失败与成功轨迹，编辑拓扑和属性，仅提交保持或提升保留验证性能的编辑，保留被拒绝的编辑以抑制重复。论文发布于 2026-09-08，来源为 arXiv cs.AI 和 Hugging Face Daily Papers。
Procedural Graph 将程序性知识显式建模为图结构，与知识图谱的 (entity, relation, entity) 三元组对应，解决 what-to-do 问题。其自进化机制通过对比失败与成功轨迹，由 LLM 精炼器编辑图，并以保留验证性能为提交门槛，被拒编辑被保留以抑制重复，形成闭环优化。引导模型将子图转为步骤级指导，偏向而非强制动作，保留求解器灵活性。可验证的下一信号：论文是否公开代码或基准测试结果，以及自进化编辑在长轨迹（如 100+ 步）上的性能增益是否可复现。
该研究针对 LLM 智能体长程规划中的目标丢失和工具乱序问题，提出显式程序性知识结构，可能影响 Agent 框架的设计方向。若验证有效，可能推动从隐式上下文生成向显式执行图演进的趋势。可验证的下一信号：是否有主流 Agent 框架（如 LangChain、AutoGPT）集成类似图结构，或后续工作在不同工具集上的泛化表现。
对构建长程 Agent 的企业，Procedural Graph 可能降低任务失败率和工具调用错误，提升自动化可靠性。若框架成熟，可减少提示工程和人工流程编排成本。可验证的下一信号：是否有商业 Agent 平台采用类似图结构，或出现基于该方法的开源工具。
Procedural Graph 的自进化机制可能使智能体在执行中持续改进程序性知识，减少人工编排。未来可能与其他结构化记忆（如知识图谱）结合，形成混合记忆系统。可验证的下一信号：论文是否发布代码或扩展实验，以及是否有后续研究将其应用于多智能体协作或复杂工作流。