作者為 Griffith Unversity 的劉奕鑫，李世源，潘世瑞，National University of Singapore 的張桂彬，和 Nanyang Technological University 的王琨。

LLM Agent 正以前所未有的速度發(fā)展，從網(wǎng)頁瀏覽、軟件開發(fā)到具身控制，其強(qiáng)大的自主能力令人矚目。然而，繁榮的背后也帶來了研究的「碎片化」和能力的「天花板」：多數(shù) Agent 在可靠規(guī)劃、長期記憶、海量工具管理和多智能體協(xié)調(diào)等方面仍顯稚嫩，整個領(lǐng)域仿佛一片廣袤卻缺乏地圖的叢林。

我們應(yīng)如何在一個統(tǒng)一的框架下，突破當(dāng)前瓶頸，理解并設(shè)計這些復(fù)雜的智能體系統(tǒng)？

近期，一篇發(fā)表在 IEEE Intelligent Systems 全面的綜述首次給出了答案。該文創(chuàng)新性地提出，「圖」可以作為一種通用語言和強(qiáng)大結(jié)構(gòu)，來系統(tǒng)性地分析和增強(qiáng) LLM Agent 的各個方面，并正式定義了「圖智能體（Graph-augmented LLM Agent, GLA）」這一新興研究方向。相比純 LLM 方案，GLA 在可靠性、效率、可解釋性和靈活性上均展現(xiàn)出巨大優(yōu)勢。

• 論文標(biāo)題：Graph-Augmented Large Language Model Agents: Current Progress and Future Prospects
• 錄用期刊：IEEE Intelligent Systems
• 作者：Yixin Liu, Guibin Zhang, Kun Wang, Shiyuan Li, Shirui Pan
• 論文地址：
• https://arxiv.org/abs/2507.21407
• 代碼地址：
• https://github.com/Shiy-Li/Awesome-Graph-augmented-LLM-Agent

核心框架：

萬物皆可圖，為智能體賦予結(jié)構(gòu)

LLM Agent 的核心挑戰(zhàn)在于如何處理結(jié)構(gòu)化的信息和流程。而「圖」作為一種天然的結(jié)構(gòu)化數(shù)據(jù)表示，恰好能彌補(bǔ)其不足。

圖注：（a） LLM Agent 系統(tǒng)核心組件 （b） 多智能體系統(tǒng)

無論是單個 Agent 內(nèi)部的工作流，還是多個 Agent 之間的協(xié)作關(guān)系，都可以被抽象為不同類型的圖，如工具圖、知識圖、智能體交互圖等。

圖注：LLM Agent 系統(tǒng)中存在的不同類型的圖

剖析單個智能體：

規(guī)劃、記憶與工具的圖結(jié)構(gòu)

規(guī)劃（Planning）：讓思考過程「有跡可循」

論文指出，圖結(jié)構(gòu)可以從四個層面強(qiáng)化智能體的規(guī)劃能力：1）將計劃本身建模為圖，明確子任務(wù)依賴；2）將可選的子任務(wù)池建模為圖，確保規(guī)劃的可執(zhí)行性；3）將推理過程建模為圖（如思維圖），實(shí)現(xiàn)更靈活的思考；4）將環(huán)境建模為圖，為規(guī)劃提供關(guān)鍵上下文。

記憶（Memory）：構(gòu)建可演化的長期知識庫

為解決 LLM 的記憶瓶頸，圖結(jié)構(gòu)提供了兩種有效途徑：通過「交互圖」來記錄和組織智能體與環(huán)境的互動歷史，形成經(jīng)驗；通過「知識圖」來存儲和檢索外部的結(jié)構(gòu)化事實(shí)知識。

工具（Tools）：管理和優(yōu)化工具使用能力

面對海量 API，「工具圖」不僅能清晰描述工具間的依賴關(guān)系以輔助工具選擇，還能通過對圖結(jié)構(gòu)的分析，幫助智能體提升自身調(diào)用和組合工具的能力。

解析多智能體系統(tǒng)：

協(xié)同、效率與可信賴

協(xié)同范式（Orchestration）：從「靜態(tài)」走向「動態(tài)」

本綜述的一大核心貢獻(xiàn)，是將多智能體協(xié)同劃分為三大范式，清晰地展示了其從「固定」到「適應(yīng)」再到「演化」的技術(shù)演進(jìn)路線：

（a）靜態(tài)協(xié)同：Agent 間的協(xié)作關(guān)系固定不變，代表工作如 AutoGen、MetaGPT。

（b）任務(wù)動態(tài)協(xié)同：系統(tǒng)能為不同任務(wù)生成特定的協(xié)作圖，靈活性更強(qiáng)，代表工作如 G-Designer。

（c）過程動態(tài)協(xié)同：在任務(wù)執(zhí)行中，協(xié)作圖能根據(jù)實(shí)時狀態(tài)不斷演化，適應(yīng)性最強(qiáng)，代表工作如 EvoMAC。

效率優(yōu)化（Efficiency）：為「臃腫」的團(tuán)隊瘦身

多智能體系統(tǒng)往往面臨高昂的成本。論文總結(jié)了圖論方法如何從三個層面為系統(tǒng)「瘦身」：邊冗余（剪枝通信）、點(diǎn)冗余（裁減智能體）和層冗余（避免無效溝通輪次）。

可信賴（Trustworthness）：保障系統(tǒng)的安全可靠

本文還探討了圖在構(gòu)建可信賴 MAS 中的作用。通過將系統(tǒng)建模為圖，可以系統(tǒng)性地分析偏見、有害信息等在網(wǎng)絡(luò)中的傳播方式，并利用 GNN 等技術(shù)來檢測和預(yù)測惡意節(jié)點(diǎn)，從而提升整個系統(tǒng)的安全性。

總結(jié)與未來展望

這篇綜述首次系統(tǒng)性地確立了「圖」在 LLM Agent 研究中的核心地位，為「圖智能體（GLA）」這一新興方向提供了統(tǒng)一而強(qiáng)大的分析框架。

論文為 GLA 的未來發(fā)展指明了五個關(guān)鍵方向：

• 智能體系統(tǒng)的動態(tài)與持續(xù)圖學(xué)習(xí)：讓圖結(jié)構(gòu)能隨環(huán)境和任務(wù)持續(xù)演化。
• 全棧智能體系統(tǒng)的統(tǒng)一圖抽象：構(gòu)建能貫穿規(guī)劃、記憶、工具等所有模塊的統(tǒng)一圖模型。
• 用于多模態(tài)智能體的多模態(tài)圖：融合語言、視覺、音頻等多模態(tài)信息。
• 可信賴多智能體系統(tǒng)：深入研究圖在隱私、安全、公平性方面的應(yīng)用。
• 大規(guī)模多智能體模擬：利用圖學(xué)習(xí)算法支持億萬級別智能體的模擬。