知识卡片：程序性图——面向LLM智能体的自演化执行结构

英文标题：Procedural Graphs: Self-Evolving Execution Structures for LLM Agents
英文关键词：Procedural Graph; LLM Agent; Self-Evolving Execution Structure; Procedural Knowledge; Tool Use
原始来源：https://arxiv.org/abs/2609.09153v1

一句话结论

论文提出“程序性图”（Procedural Graph）：将智能体“下一步该做什么、按什么条件做”的程序性知识组织成显式图结构；智能体在每一步由图引导行动，并通过失败与成功轨迹的对比自动编辑图本身，从而在长程任务中持续改进执行效果。

事件概述或研究问题

LLM 越来越多地被部署为需要长程规划和外部工具调用的智能体。多数智能体只是基于累积历史进行无约束生成来选择动作，“什么该做、按什么顺序做、在什么条件下做”这类程序性知识是隐式的。随着轨迹变长，智能体会丢失目标、顺序调用工具出错、重复无效动作。论文提出程序性图，类似于知识图谱用“实体—关系—实体”组织事实性知识（what-is），程序性图用“程序—关系—程序”组织程序性知识（what-to-do）。

方法/产品要点

• 显式程序性知识表示：以程序（procedure）为节点，以程序间关系为边，构建面向执行流程的图结构。具体关系类型在摘要中未展开，待核实。
• 局部化当前状态：每个决策步骤中，框架先定位智能体所处的“活动节点”，再由引导模型将周边子图转化为情境化的步骤级引导，影响 solver 的下一步动作，但不强制指定动作。
• 自演化机制：LLM refiner 对比失败轨迹与成功轨迹，编辑图的拓扑与属性。能保持或改善留出验证性能的编辑会被采纳；被拒绝的编辑也会被保留下来，以避免重复同样的尝试。
• 初始条件灵活：可以从极简骨架开始自动构建图，也可以修复有缺陷的专家先验。

主要结果或产业意义

• 从极简骨架出发，自动构建的程序性图可以匹配甚至超越人工设计的图。
• 当初始专家先验存在缺陷时，该框架可以进行修复。
• 在多个数据集、任务类型和多个 LLM 上，相比基于记忆的基线，程序性图带来持续提升；自演化进一步改善表现，且无需人工工程。
• 产业意义上，该方法可能降低人工编排复杂智能体工作流的成本，让系统在执行中自动积累可验证的流程知识。具体基准名称、任务清单和提升幅度需以原文为准。

为什么重要

长程 LLM 智能体不能只依赖“记忆更多对话历史”，还需要让“如何执行”本身变得显式、可检查、可改进。程序性图提供了一条从知识图谱类比出发的路径：把 does 变成图，再让图在执行验证中自我演化。

与既有脉络的关系：PES 卡片侧重人格与执行分离的可审计性，AI4AI-Bench 卡片侧重智能体改写训练算法的能力，TerraZero 卡片侧重程序化仿真与驾驶自对弈。本条的新增信息是：提出一种通用的程序性知识图表示，使智能体在长程执行中能按结构化图被引导，并通过“留下好编辑、记住坏编辑”的验证机制自动更新执行结构。

局限与不确定性

• 目前可依据的主要是论文摘要；完整模型结构、训练流程、图编辑策略和计算开销尚未从材料中确认，待核实。
• “引导模型”“LLM refiner”的具体实现方式未在摘要中说明，待核实。
• 实验所用数据集、任务类型、LLM 型号、基线和提升幅度未在摘要中列出，待核实。
• 被拒绝的编辑具体如何存储与利用、是否会造成图规模膨胀或验证延迟，材料未说明，待核实。

可用于图书/PPT/简报的角度

• 用“知识图谱 vs 程序性图”开场：一个回答“是什么”，一个回答“怎么做”。
• 用“长程智能体为什么需要执行结构”讲清问题：丢目标、工具乱序、重复动作。
• 用“自己改流程图”的类比解释自演化：智能体根据失败与成功轨迹修改自己的执行图，而不是依赖人工重写提示词。
• 强调“保留被拒编辑以抑制重复”可作为安全机制：系统不只吸收成功经验，也记录失败尝试。
• 从“修复有缺陷的专家先验”切入，说明该框架可用于工作流治理、SOP 数字化和自动化运维中的流程修正场景。

原始材料

• 英文标题：Procedural Graphs: Self-Evolving Execution Structures for LLM Agents
• 作者：Yuxing Lu, Yicheng Chen, Shanchan Wu, Sercan Ö. Arık
• arXiv ID：2609.09153v1
• 内容类别：cs.AI；cs.CL；cs.MA
• 页面标注时间：2026-09-08（以 arXiv 页面为准）
• 摘要 URL：https://arxiv.org/abs/2609.09153v1
• PDF URL：https://arxiv.org/pdf/2609.09153v1