Автори статті представили Procedural Graph, граф процедур, який зберігає знання про те, що робити, у якому порядку та за яких умов. Автори описують LLM-агентів як програми з мовною моделлю, які планують дії на довгих горизонтах і використовують зовнішні інструменти.

На кожному кроці система знаходить активний вузол агента, а окрема модель перетворює навколишній підграф на ситуаційну підказку для наступної дії. Підказка впливає на наступну дію моделі-виконавця, але не наказує її.

LLM-редактор, модель для доопрацювання графа, порівнює невдалі й успішні траєкторії та змінює зв’язки й властивості графа. Автори пишуть, що на кількох наборах даних, типах задач і LLM цей підхід стабільно покращував результати відносно базових варіантів із пам’яттю.

Перевірка тверджень:

  • Автори статті представили Procedural Graph — граф процедур для зберігання знань про те, що робити, у якому порядку та за яких умов. (підтверджено самою публікацією: доказ; «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.»)
  • Автори описують LLM-агентів як програми з мовною моделлю, які планують дії на довгих горизонтах і використовують зовнішні інструменти. (підтверджено самою публікацією: доказ; «Large language models are increasingly deployed as agents that plan over long horizons and act through external tools.»)
  • На кожному кроці система знаходить активний вузол агента, а окрема модель перетворює навколишній підграф на ситуаційну підказку для наступної дії. (підтверджено самою публікацією: доказ; «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.»)
  • Підказка впливає на наступну дію моделі-виконавця, але не наказує її. (підтверджено самою публікацією: доказ; «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 порівнює невдалі й успішні траєкторії та змінює зв’язки й властивості графа. (підтверджено самою публікацією: доказ; «The graph is self-evolving: an LLM refiner contrasts failed trajectories with successful ones and edits the graph’s topology and attributes»)
  • Автори пишуть, що на кількох наборах даних, типах задач і LLM цей підхід стабільно покращував результати відносно базових варіантів із пам’яттю. (підтверджено самою публікацією: доказ; «Across multiple datasets, task types, and LLMs, the Procedural Graph delivers consistent gains over memory-based baselines»)

Першоджерела:

оцінка 63.3 · тип research · ревізія 1 · історії st-ee5zbi