谷歌最新论文提出程序图框架：显著提升大模型智能体长程任务稳定性

谷歌与佐治亚理工学院、北京大学联合团队发表论文提出程序图（Procedural Graphs）框架，旨在解决大语言模型智能体在长程复杂任务中容易迷失目标或陷入死循环的问题。

• 结构化流程解耦：将工作流逻辑从线性聊天上下文中剥离，组织为三元组形式的可编辑程序图，类似于知识图谱对事实数据的结构化管理。
• 运行时局部引导：推理执行时，将智能体当前状态映射到图节点，引导模型根据邻近子图提供针对性的下一步决策建议，减少全局历史冗余干扰。
• 离线自进化机制：配备专门的提炼模型，对比成功与失败执行轨迹来迭代修剪或新增图节点与边，且仅保留不降低留出验证集表现的结构修改。
• 影响/看点：该方法通过将流程知识图谱化与自我进化，为长链路 Agent 的可靠执行提供了新的记忆与规划范式；若能在企业级复杂工具调用与多流程业务中持续验证，可能有效降低智能体长程规划失误率。
• 资料依据:
• X：Rohan Paul（2026-09-21）：https://x.com/rohanpaul_ai/status/2101973711612190756
• arXiv（2026-09-08）：https://arxiv.org/abs/2609.09153

本内容由 AI 生成，仅供参考，请注意甄别