arXiv cs.AI· Haihui Liu, Yang Chen, Zice Qiu, Yun Zhang, Jialun Zhong, Wenhua Wang, Yanzeng Li, Tian Wang·· 10 小时前AI 评分31
图介导的大语言模型系统综述：智能体时代的推理、知识、检索、执行与协调
Graph-Mediated Large Language Model Systems in the Agentic Era: Reasoning, Knowledge, Retrieval, Execution, and Coordination
AI 导读
一篇综述提出面向智能体时代 LLM 系统的操作级“角色—位置”分类法，覆盖推理、知识与证据、检索与记忆、执行、协调五个环节。该分类法区分图操作的功能、承担计算的组件及输出用途，并将基准测试、对比设计、过程诊断与系统成本整合为评估框架。文章还指出自适应计算与停止、记忆维护、依赖感知恢复等开放挑战。
正文 · AI 翻译
摘要：图在大语言模型（LLM）系统中发挥着日益重要的作用，支撑结构推理、知识 grounding、检索与记忆。随着这些系统迈向智能体时代，图还组织执行依赖与多智能体通信，将中间观测与保留信息关联到后续决策。然而，要理解其贡献，需要区分每个图操作的功能、负责其计算的组件，以及其输出的后续使用。本综述引入一种操作层面的角色—位置分类法，涵盖推理、知识与证据、检索与记忆、执行与协调。我们比较图观测与外部计算如何引导决策，记忆表示与更新如何支持后续任务，以及依赖关系如何约束执行与信息传递。这些比较区分了局部指标的改进与下游任务性能，同时保留了结果报告时的条件。随后，我们将基准、比较设计、过程诊断与系统成本组织为一个评估框架。最后，我们指出自适应计算与停止、记忆维护以及依赖感知恢复方面的开放挑战。本综述为评估图机制何时有用以及评估其跨组件和阶段的效果提供了基础。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2611.05953 [cs.AI] |
| （或 arXiv:2611.05953v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.05953 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Haihui Liu [查看电子邮件]
[v1]
2026年11月4日星期三 04:47:38 UTC（7,301 KB）
来源：arXiv cs.AI · arxiv.org