এজেন্ট হিসেবে ব্যবহৃত বড় ভাষা মডেল (LLM) প্রায়শই দীর্ঘ কাজে উদ্দেশ্য হারিয়ে ফেলে, কাজ পুনরাবৃত্তি করে বা সরঞ্জাম ভুলভাবে ব্যবহার করে। এই সমস্যা সমাধানের জন্য, Google, Georgia Tech এবং Peking University-এর গবেষকরা প্রসিডিউরাল গ্রাফ প্রবর্তন করেন—একটি কাঠামোবদ্ধ মেমরি যা প্রক্রিয়াগত জ্ঞান (প্রক্রিয়া, সম্পর্ক, প্রক্রিয়া) ট্রিপলেট হিসেবে সংরক্ষণ করে, যেমন জ্ঞান গ্রাফ তথ্য সংরক্ষণ করে। প্রতিটি ধাপে, এজেন্টের সক্রিয় নোড প্রাসঙ্গিক সাবগ্রাফ তথ্য স্থানীয়করণ করে, যা একটি নির্দেশিকা মডেল পরিস্থিতিগত পরামর্শে রূপান্তরিত করে যা পরবর্তী কাজকে পক্ষপাতী করে কিন্তু নির্দেশ করে না। গ্রাফটি স্ব-বিকশিত হয়: একটি LLM রিফাইনার ব্যর্থ এবং সফল ট্র্যাজেক্টোরি তুলনা করে, গ্রাফ টপোলজি এবং বৈশিষ্ট্য সম্পাদনা করে এবং শুধুমাত্র সেই পরিবর্তনগুলি প্রতিশ্রুতিবদ্ধ করে যা ধারণকৃত বৈধতা কর্মক্ষমতা উন্নত করে। প্রত্যাখ্যাত সম্পাদনাগুলি ভুল পুনরাবৃত্তি এড়াতে রাখা হয়। ন্যূনতম কঙ্কাল থেকে শুরু করে, এই পদ্ধতি এমন গ্রাফ তৈরি করে যা হাতে ডিজাইন করা গ্রাফের সমান বা তার চেয়ে ভাল, এবং এটি ত্রুটিপূর্ণ বিশেষজ্ঞ পূর্বধারণা মেরামত করতে পারে। একাধিক ডেটাসেট, কাজের ধরন এবং ব্যাকবোন LLM জুড়ে, প্রসিডিউরাল গ্রাফ ধারাবাহিকভাবে মেমরি-ভিত্তিক বেসলাইনকে ছাড়িয়ে যায়, স্ব-বিকাশ ম্যানুয়াল ইঞ্জিনিয়ারিং ছাড়াই অতিরিক্ত লাভ যোগ করে।