2026/09/10 2:13
手続き的グラフ：LLM エージェントの自己進化型実行構造
RSS: https://news.ycombinator.com/rss
要約▶
Japanese Translation:
本論文は、AI エージェントの長期計画問題に取り組むための画期的な自己進化型フレームワークである手順グラフ（Procedural Graph）を紹介する。本システムの核には、方向付きグラフ構造内において (procedure, relation, procedure) という形のトリプレットとして手続き的知識を整理する仕組みがある。従来の方法が累積する履歴に対する制約のない生成に依存し、これにより焦点の喪失を招くことがある点とは異なり、手順グラフは意思決定を各ステップでアクティブなノードに局所化し、エージェントを関連性の低い過去の情報によって圧倒することから防ぎます。ガイダンスモデルは、周囲のサブグラフをレベルごとの状況ガイダンスに変換し、次の行動を指定することなくバイアスを与えます。本システムは自己進化型であり、LLM リファイナーが失敗した経路と成功した経路を対比することで、グラフのトポロジーや属性を自動的に編集しつつ、保持された検証データにおける性能を維持します。拒絶された編集は保留され、無益な行動の反復を防ぐよう促されることで、フレームワークは過去のミステイクから学習できるようになります。最小限のスカラーンから出発して、このループは人手で設計されたものに匹敵するあるいはそれを凌駕するグラフを自律的に構築し、人間の介入なしに不備のある専門家の事前知識を修復します。手順グラフは、複数のデータセット、タスクタイプ、および LLM において、メモリベースのベースラインに対して一貫したパフォーマンス向上をもたらすことで、堅牢で長期的な AI エージェントのために必要な高度な工学への依存度を低下させます。（提出物 v1 は、Yuxing Lu 氏が 2026 年 9 月 8 日（火）17:59:41 UTC に 4,896 KB のファイルサイズで提出したものです。）
本文
手順グラフ（Procedural Graph）：大規模言語モデルエージェントの自己進化と手続き的知識の形式化
背景と課題
大規模言語モデル（LLM）を活用したエージェントが外部ツール連携により長期的計画立案と実行を行うようになりつつありますが、以下の課題が存在します。
- 暗黙的な不確実性: 多くの既存エージェントは履歴に基づいた無制限な生成でアクションを選択するため、「何を」「順序をどこですべきか」「条件下はどうするか」という手続き的知識が暗黙的で不確かな状態にあります。
- 経路依存のリスク: タスクの深層化するにつれて、以下のような問題が発生する傾向があります。
- 目的を見失う
- ツールの呼び出し順序を誤る
- 生産性の低い動作（ループ）を繰り返す
「手順グラフ」の新たな枠組み
従来の知識グラフが事実に関する「是什么（何であるか）」を扱うのに対し、本稿では手続き的知識を形式化し「何をすべきか」という問いに答えるための新しい構想を導入します。
基本的な定義
- 知識グラフ:
の三項組で事実を整理。(エンティティ，関係，エンティティ) - 手順グラフ:
の三項組で手続き的知識を再編成。(手順，関係，手順)
ガイダンスモデルによる意思決定支援
各意思決定ステップにおいて、以下の役割を担います。
- アクティブノードの特定: エージェント内の現在の焦点となるノードを特定。
- 状況に応じた指導情報の生成:
- ガイダンスモデルが周辺のサブグラフを分析。
- ステップレベルの状況に合わせて指導情報を抽出。
- 次のアクションを明示せず、**方向性を示す（バイアスを与える）**ことで求解者を導く。
グラフの進化とトポロジー制御
LLM リファイナーによる自動最適化機能を実装し、グラフ自体が自律的に進化する仕組みを持たせています。
- 比較・編集プロセス:
- LLM リファイナーが失敗した経路と成功した経路を比較。
- グラフのトポロジーや属性を編集して再構築。
- 効果:
- 検証性能の維持・向上。
- 不要な分岐を残らず削除するため、反復試行（無限ループ）を抑制。
- 自己進化による改善:
- 最小限の骨組みから出発してこのループを繰り返すことで、人手設計レベルの品質を超えるグラフを構築。
- 欠陥のある専門家の事前知識をも自動的に修復可能。
評価結果
複数のデータセットおよびタスクタイプにおいて実施した評価と大規模言語モデルを用いたテストの結果です。
- 比較対象: メモリベースの基準手法（Memory-based Baseline）に対し、一貫して高い性能を発揮。
- 自己進化の実証: 人的介入なしで、グラフの自動進化によってパフォーマンスを向上させることを実証。