【第769期】过程图：大语言模型智能体的自进化执行架构

今天的这篇的主题是： Procedural Graphs: Self-Evolving Execution Structures for LLM Agents Seventy3 是一档借助 NotebookLM 解读前沿论文的播客——不是念摘要，也不是泛泛而谈，而是让 AI 帮你把论文掰开揉碎，说人话。我们蹲在人工智能、大模型、机器人算法、crypto 这几个领域，每期挑一篇值得关注的工作，用对话的方式聊给你听。你可以在通勤路上听，做实验的时候听，也可以当背景音放着，让新知识自然地长进脑子里。 如果你正在做有意思的研究，想让更多人看到——不管你是博士生、独立研究者还是实验室的博士后——把论文发给我们，我们帮你用 AI 做一期深度解读，让你的工作被更多同路人发现。 联系小助手微信：eccstartup（加群/投稿论文） Summary 大型语言模型越来越多地被部署为能够进行长远规划并通过外部工具采取行动的智能体。大多数智能体通过对累积的历史记录进行无约束的生成来选择行动，从而使关于“做什么、按什么顺序做以及在什么条件下做”的程序性知识保持隐式。随着轨迹变长，智能体会迷失目标、颠倒工具调用顺序，并重复无效的动作。为此，我们引入了“程序图”（Procedural Graph）：正如知识图谱将事实性知识组织为用于回答“是什么”问题的（实体、关系、实体）三元组一样，程序图将程序性知识组织为用于回答“做什么”问题的（程序、关系、程序）三元组。在每个决策步骤中，该框架会定位智能体的活动节点，引导模型将周围的子图转换为步骤级的态势引导，在不直接指定的情况下对求解器的下一步行动施加偏置。该图具有自我演进能力：大语言模型精炼器将失败的轨迹与成功的轨迹进行对比，并对图的拓扑结构和属性进行编辑，提交那些能够保持或提升保留验证集性能的编辑，同时保留被拒绝的编辑以防止重复。从一个最小的骨架开始，该循环构建出能够媲美甚至超越人工设计的图。它还能修复存在缺陷的专家先验。在多个数据集、任务类型和大语言模型中，程序图相比基于内存的基线取得了持续的性能提升，而自我演进则在无需人工干预的情况下进一步提升了性能。 原文链接：https://arxiv.org/abs/2609.09153 前往小宇宙评论区与主播互动