針對 LLM Agents 的程式圖：自我演化的執行結構
為何重要
長視角 Agent 的核心挑戰在於如何保留程式式邏輯而非僅依賴上下文視窗，程式圖提供了一種結構化的外部記憶方案，能顯著減長任務中的邏輯崩潰與重複錯誤。這種架構有助於縮短自動化解決方案的除錯週期，是 Agent 從研究走向高可靠度落地的重要技術路徑。
Google 團隊提出 Procedural Graph，透過 (procedure, relation, procedure) 三元組建立明確的程式式指導結構，解決長時間軸 Agent 在規劃時遺失目標或亂序呼叫工具的問題。
- 系統將程式知識組織為可查詢的圖譜，每一步驟以「情境偏置」而非強制命令引導 Agent，使其在圖譜錯誤時仍保有彈性。
- 潤飾 LLM 負責比對失敗與成功軌跡，自動編輯圖譜拓樸與屬性，並僅提交能維持或改善未使用資料集（held-out）表現的修改。
- 模型能從最小骨架建構圖譜，不僅能匹配甚至超越人工設計的圖譜，還能有效修正有缺陷的專家先驗。