Авторите на статията представиха Procedural Graph, граф от процедури, който съхранява знания какво да се прави, в какъв ред и при какви условия. Авторите описват LLM агентите като програми с езиков модел, които планират действия в дълъг хоризонт и използват външни инструменти.

На всяка стъпка системата намира активния възел на агента, а отделен модел превръща околния подграф в ситуационна насока за следващото действие. Насоката влияе на следващото действие на модела изпълнител, но не го предписва.

LLM редактор, модел за доработване на графа, сравнява неуспешни и успешни траектории и променя топологията и атрибутите на графа. Авторите пишат, че в множество набори от данни, типове задачи и LLM този подход е показал постоянни подобрения спрямо базови варианти с памет.

Проверка на твърденията:

  • Авторите на статията представиха Procedural Graph, граф от процедури за съхраняване на знания какво да се прави, в какъв ред и при какви условия. (потвърдено от самата публикация: доказателство; «We introduce the Procedural Graph: just as a knowledge graph organizes factual knowledge into (entity, relation, entity) triplets for what-is questions, a Procedural Graph organizes procedural knowledge into (procedure, relation, procedure) triplets for what-to-do questions.»)
  • Авторите описват LLM агентите като програми с езиков модел, които планират действия в дълъг хоризонт и използват външни инструменти. (потвърдено от самата публикация: доказателство; «Large language models are increasingly deployed as agents that plan over long horizons and act through external tools.»)
  • На всяка стъпка системата намира активния възел на агента, а отделен модел превръща околния подграф в ситуационна насока за следващото действие. (потвърдено от самата публикация: доказателство; «At each decision step, the framework localizes the agent’s active node, and a guidance model translates the surrounding subgraph into step-level situational guidance that biases the solver’s next action without dictating it.»)
  • Насоката влияе на следващото действие на модела изпълнител, но не го предписва. (потвърдено от самата публикация: доказателство; «At each decision step, the framework localizes the agent’s active node, and a guidance model translates the surrounding subgraph into step-level situational guidance that biases the solver’s next action without dictating it.»)
  • LLM редактор сравнява неуспешни и успешни траектории и променя топологията и атрибутите на графа. (потвърдено от самата публикация: доказателство; «The graph is self-evolving: an LLM refiner contrasts failed trajectories with successful ones and edits the graph’s topology and attributes»)
  • Авторите пишат, че в множество набори от данни, типове задачи и LLM този подход е показал постоянни подобрения спрямо базови варианти с памет. (потвърдено от самата публикация: доказателство; «Across multiple datasets, task types, and LLMs, the Procedural Graph delivers consistent gains over memory-based baselines»)

Първоизточници:

оценка 63.3 · тип research · ревизия 1 · истории st-ee5zbi