程式化圖：適用於 LLM Agents 的自演化執行結構
為何重要
這項技術直指當前 AI Agent 架構 scalability 的核心痛點，證明瞭將推理流程結構化能顯著提升長期規劃的穩定性，這對於將 LLM Agent 從研究試驗室推向實際商業應用（如客服、自動化流程）至關重要。對投資人與開發者而言，這表示未來 Agent 系統的產品化路徑，將從純粹的模型引數擴充套件，轉向結構化知圖與回饋機制的設計，是評估 Agent Infra 後續發展的重要指標。
當前的 LLM Agents 在面對長時程規劃時，常因缺乏對「程式性知識」的顯式組織而導致目標遺失或低效重複動作。本研究提出「程式化圖」架構，將隱性的執行流程轉化為結構化的知識圖，透過語言模型進行動態最佳化。
- 將知識圖的 (實體, 關係, 實體) 三元組概念延伸至 (程式, 關係, 程式)，以組織「做什麼」的動作邏輯。
- 採用指導模型將當前節點附近的子圖轉化為步驟級情境指引，平衡求解器自由度與流程正確性。
- 具備「自演化」機制，LLM 鑑別器透過對比失敗與成功的軌跡，自動編輯圖的拓撲結構與屬性。
- 在多數資料集與模型上均優於記憶型基線，且能從最小骨架演化出匹配或超越手設計的效能。