仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
最近出了一篇关于图（Graphs）与人工智能代理（AIAgents）结合的综述性研究，提出了一个分类框架来组织这一领域的研究进展，详细讨论了图技术在AI代理的规划、执行、记忆和多代理协调等核心功能中的作用。
Graph与AIAgents相结合的总体示意图。
图方法论：利用图进行图数据组织和知识提取
人工智能代理方法论：基于大型语言模型（LLM）的基础模型和基于强化学习（RL）的学习范式，构成了人工智能代理的核心流程
人工智能代理用于图：代理在图建模和学习方面的强大能力，例如图注释、合成和理解
图用于人工智能代理：图和图学习在增强代理核心功能（包括代理规划、执行、记忆和多代理协调）中的作用和潜力
代表性应用
挑战和未来机遇
知识图辅助推理：利用知识图（KG）辅助AI代理进行任务推理，通过提取多跳子图信息，增强代理对任务的理解和推理能力。代表方法包括QA-GNN、ToG、KG-CoT、RoG、MindMap和PoG。
结构化推理：通过树状或图状结构组织LLM代理的中间思考过程，提高推理效率和准确性。代表方法包括ToT、RATT、GoT、GraphofThoughts和RwG。
规划方法：利用LLM的推理能力和GNN优化子任务执行路径，提高任务分解和执行的效率。代表方法包括AgentKit、DAG-Plan和FGRL。
3. 任务决策搜索
优化方法：通过引入记忆机制、进化算法和图结构优化，提高搜索效率和决策质量。
在AI代理的执行阶段，图技术通过优化工具使用和增强环境交互，显著提升了代理的执行效率和准确性。
具体来说：
工具使用：图技术帮助代理更高效地管理和调用大量工具，通过构建工具图和优化工具调用路径，减少令牌消耗，提高工具使用的准确性和效率。
环境交互：图技术通过启发式和基于学习的关系建模，增强了代理对环境的理解和交互能力。场景图和动态学习方法为代理提供了更丰富的环境信息，使其能够更有效地感知和响应环境变化。
图检索方法：通过结合语义相似性和图度量，设计定制化的检索器，提高从图结构记忆中检索信息的准确性和效率。例如，G-Retriever和GFM-RAG结合语义相似性和图度量进行检索，SubgraphRAG提供基于查询相关性的灵活子图检索机制，LightRAG提出双检索系统，GRAG提出线性时间检索策略，PathRAG通过流式剪枝减少检索延迟。
动态更新和维护：一些方法关注于如何动态地更新和维护图结构的记忆，以适应新的经验和交互。例如，A-MEM通过动态索引和链接创建相互连接的知识网络，Zep通过时间感知的层次化知识图谱引擎动态整合对话数据，HippoRAG和LightRAG采用动态增量图更新策略，KG-Agent引入LLM进行知识图谱更新，InstructRAG采用RL代理进行图维护。
图技术通过优化消息传递和通信拓扑，显著提升了多智能体系统的协调能力：
任务依赖关系：利用任务依赖图（TDG）优化消息传递，如FLOW-GNN和LGC-MARL。
任务分配关系：通过任务分配关系优化信息交换，如RandStructure2Vec和MAGNNET。
环境特定关系：基于环境特性建模代理关系，如GRL和MAGNNETO，或动态学习关系权重，如GraphComm和MAGI。
边重要性测量：通过注意力机制或参数化边权重学习潜在边，如DICG和G2ANet。
图自编码器优化：使用图自编码器预测代理节点之间的边，如G-Designer和GNN-VAE。
强化学习：通过奖励函数优化代理节点之间的边，如HGRL和GPTSwarm。
推荐阅读
•动手设计AIAgents：（编排、记忆、插件、workflow、协作）
•DeepSeekR1+Agent的下半场
•单智能体（Agent）：企业员工AI助理
•Agent到多模态Agent再到多模态Multi-Agents系统的发展与案例讲解（1. 2万字，20+文献，27张图）
欢迎关注我的公众号“PaperAgent”，每天一篇大模型（LLM）文章来锻炼我们的思维，简单的例子，不简单的方法，提升自己。
