Procedural Graphs：LLM 代理的自进化执行结构
Procedural Graphs: Self-Evolving Execution Structures for LLM Agents
当前大多数 LLM 代理依赖累积的历史记录进行决策，导致长任务中容易迷失目标或重复无效操作。Google 与 Georgia Tech 等团队提出的 Procedural Graph 将程序知识显式化为（procedure, relation, procedure）三元组，为代理提供步骤级引导。该框架不强制指令，而是通过子图生成情境偏差，让代理在保持灵活性的同时获得方向。更关键的是，它能通过对比失败与成功轨迹自动修正自身结构，甚至修复有缺陷的专家先验。实验显示，Procedural Graph 在多个数据集和 LLM 上均超越基于记忆的基线，且无需人工干预即可持续进化。
Procedural Graph 将程序知识组织为（procedure, relation, procedure）三元组，用于回答‘做什么’的问题，就像知识图谱用（entity, relation, entity）三元组回答‘是什么’的问题一样。
HN 评论区
15- lmeyerov
我怀疑图的部分是否只是个干扰项（数据表示/语法），一旦退一步看，这与我们在结构化动态规划中使用的更广泛概念“持久任务列表（durable task lists）”有何关联？
例如：持久任务列表通常采用更文本化的表示形式，比如支持命名引用的层级文本列表——本质上就是个图。同样，它们是可变的，包含状态等。这类方法目前相当流行，AI 模型此刻也已将其内化。
- schmuhblaster
也许我扫读论文时漏掉了，但他们有没有和简单的自修改框架做过对比？比如指示 Pi 根据结果更新某些代码或技能文档？
- vatsachak
好的，Add 节点是怎么创建的？是每个节点的名称、引导信息和边都由 LLM 生成，还是由一个定制的 transformer 模型来生成？