程式圖：LLM Agent 的自演化執行結構
為何重要
此研究直擊現有 LLM Agent 的痛點——在長視窗情境下維持目標一致與流程正確性——提供了一種由「隱式生成」轉向「顯式結構化」的解決方案。自演化機制的引入，代表未來 Agent 的開發邏輯可能不再依賴複雜 prompt engineering，而是透過對執行軌跡的最佳化自動改進內部架構，這對於開發具備長期工作能力的自主系統（Agent）而言，是從「態樣探索」邁向「架構最佳化」的重要一步。
為瞭解決大型語言模型 Agent 在長時間跨度的規劃、目標遺失與工具呼叫順序混亂等問題，研究團隊提出「程式圖」架構，將流程知識結構化並賦予自演化能力。
- 知識組織方式：將流程知識組織成（程式、關係、程式）的三元組，對應知識圖譜在事實性問答中的組織形式。
- 決策機制：框架在每一步驟區域性定位 active node，並透過 guidance model 將周圍子圖轉化為引導資訊。
- 自演化特性：利用 LLM refiner 對比失敗與成功的軌跡，主動編修圖的拓撲結構與屬性，並保留被拒絕的操作以避免重複。
- 效能表現：在多個資料集、任務型別和 LLM 上都優於基於記憶的基準，且無需人工工程。