手続きグラフ：LLMエージェントのための自己進化型実行構造
Procedural Graphs: Self-Evolving Execution Structures for LLM Agents (academy.dair.ai)
要約
Googleの研究者らが、LLMエージェントが長期的な計画を立て、外部ツールを操作する際に、暗黙的になりがちな手続き的知識を明示的に管理する「手続きグラフ」を提案しました。このグラフは、エージェントの行動履歴から失敗と成功の軌跡を比較し、自己進化することで、より効率的で信頼性の高いエージェントの実現を目指します。
全文翻訳
Computer Science > Artificial Intelligence
arXiv:2609.09153 (cs)
[Submitted on 8 Sep 2026]
Title:手続きグラフ：LLMエージェントのための自己進化型実行構造
Authors:Yuxing Lu, Yicheng Chen, Shanchan Wu, Sercan Ö. Arık
View a PDF of the paper titled Procedural Graphs: Self-Evolving Execution Structures for LLM Agents, by Yuxing Lu and 3 other authors
Abstract:大規模言語モデル（LLM）は、長期的な計画を立て、外部ツールを介して行動するエージェントとしてますます展開されています。ほとんどのエージェントは、累積する履歴に対して制約のない生成を通じてアクションを選択しますが、何をするか、どの順序で、どのような条件下で行うかといった手続き的知識は暗黙的になります。実行経路が長くなるにつれて、エージェントは目標を見失ったり、ツールを誤った順序で呼び出したり、生産性の低いアクションを繰り返したりする可能性があります。私たちは手続きグラフ（Procedural Graph）を導入します。知識グラフが（エンティティ、関係、エンティティ）のトリプレットで事実知識を整理して「何」という質問に答えるように、手続きグラフは（手続き、関係、手続き）のトリプレットで手続き的知識を整理して「何をすべきか」という質問に答えます。各決定ステップで、フレームワークはエージェントのアクティブノードを特定し、ガイダンスモデルが周囲のサブグラフをステップレベルの状況的ガイダンスに変換して、ソルバーの次のアクションを指示するのではなくバイアスをかけます。グラフは自己進化します。LLMリファイナーは、失敗した実行経路と成功した実行経路を対比させ、グラフのトポロジーと属性を編集し、検証データでのパフォーマンスを維持または改善する編集をコミットし、繰り返しを避けるために却下された編集も保持します。最小限のスケルトンから開始して、このループは手作業で設計されたグラフに匹CHするかそれを超えるグラフを構築します。また、欠陥のある専門家の事前知識を修復することもできます。複数のデータセット、タスクタイプ、およびLLMにわたって、手続きグラフはメモリベースのベースラインに対して一貫した改善をもたらし、自己進化は手動エンジニアリングなしでさらにパフォーマンスを向上させます。
| Comments: | 36 pages including references and appendices, 6 figures, 11 tables |
| Subjects: | Artificial Intelligence (cs.AI); Computation and Language (cs.CL); Multiagent Systems (cs.MA) |
| Cite as: | arXiv:2609.09153 [cs.AI] |
| (or arXiv:2609.09153v1 [cs.AI] for this version) | |
| https://doi.org/10.48550/arXiv.2609.09153 arXiv-issued DOI via DataCite |
Submission history
From: Yuxing Lu
[v1] Tue, 8 Sep 2026 17:59:41 UTC (4,896 KB)
Full-text links:
Access Paper:
View a PDF of the paper titled Procedural Graphs: Self-Evolving Execution Structures for LLM Agents, by Yuxing Lu and 3 other authors
Additional Features
Current browse context:
cs.AI
Change to browse by:
References & Citations
Loading...
BibTeX formatted citation
loading...
Data provided by:
Bookmark
Bibliographic Tools
Bibliographic and Citation Tools
Bibliographic Explorer Toggle
Bibliographic Explorer (What is the Explorer?)
Connected Papers Toggle
Connected Papers (What is Connected Papers?)
Litmaps Toggle
Litmaps (What is Litmaps?)
scite.ai Toggle
scite Smart Citations (What are Smart Citations?)
Code, Data, Media
Code, Data and Media Associated with this Article
alphaXiv Toggle
alphaXiv (What is alphaXiv?)
Links to Code Toggle
CatalyzeX Code Finder for Papers (What is CatalyzeX?)
DagsHub Toggle
DagsHub (What is DagsHub?)
GotitPub Toggle
Gotit.pub (What is GotitPub?)
Huggingface Toggle
Hugging Face (What is Huggingface?)
ScienceCast Toggle
ScienceCast (What is ScienceCast?)
Demos
Demos
Replicate Toggle
Replicate (What is Replicate?)
Spaces Toggle
Hugging Face Spaces (What is Spaces?)
Spaces Toggle
TXYZ.AI (What is TXYZ.AI?)
Related Papers
Recommenders and Search Tools
Link to Influence Flower
Influence Flower (What are Influence Flowers?)
Core recommender toggle
CORE Recommender (What is CORE?)
- Author
- Venue
- Institution
- Topic
About arXivLabs
arXivLabs: experimental projects with community collaborators
arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website.
Both individuals and organizations that work with arXivLabs have embraced and accepted our values of openness, community, excellence, and user data privacy. arXiv is committed to these values and only works with partners that adhere to them.
Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs.
Which authors of this paper are endorsers? | Disable MathJax (What is MathJax?)