Авторы статьи представили Procedural Graph, граф процедур, который хранит знания о том, что делать, в каком порядке и при каких условиях. Авторы описывают LLM-агентов как программы с языковой моделью, которые планируют действия на длинных горизонтах и используют внешние инструменты.

На каждом шаге система находит активный узел агента, а отдельная модель превращает окружающий подграф в ситуационную подсказку для следующего действия. Подсказка влияет на следующее действие модели-исполнителя, но не предписывает его.

LLM-редактор, модель для доработки графа, сравнивает неудачные и успешные траектории и правит связи и свойства графа. Авторы пишут, что на нескольких наборах данных, типах задач и LLM этот подход стабильно улучшал результаты относительно базовых вариантов с памятью.

Проверка утверждений:

  • Авторы статьи представили Procedural Graph — граф процедур для хранения знаний о том, что делать, в каком порядке и при каких условиях. (подтверждено самой публикацией: доказательство; «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.»)
  • Авторы описывают LLM-агентов как программы с языковой моделью, которые планируют действия на длинных горизонтах и используют внешние инструменты. (подтверждено самой публикацией: доказательство; «Large language models are increasingly deployed as agents that plan over long horizons and act through external tools.»)
  • На каждом шаге система находит активный узел агента, а отдельная модель превращает окружающий подграф в ситуационную подсказку для следующего действия. (подтверждено самой публикацией: доказательство; «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.»)
  • Подсказка влияет на следующее действие модели-исполнителя, но не предписывает его. (подтверждено самой публикацией: доказательство; «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 сравнивает неудачные и успешные траектории и правит связи и свойства графа. (подтверждено самой публикацией: доказательство; «The graph is self-evolving: an LLM refiner contrasts failed trajectories with successful ones and edits the graph’s topology and attributes»)
  • Авторы пишут, что на нескольких наборах данных, типах задач и LLM этот подход стабильно улучшал результаты относительно базовых вариантов с памятью. (подтверждено самой публикацией: доказательство; «Across multiple datasets, task types, and LLMs, the Procedural Graph delivers consistent gains over memory-based baselines»)

Первоисточники:

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