एजेंट के रूप में उपयोग किए जाने वाले बड़े भाषा मॉडल (LLM) अक्सर लंबे कार्यों में उद्देश्यों का ट्रैक खो देते हैं, क्रियाओं को दोहराते हैं या उपकरणों का गलत उपयोग करते हैं। इस समस्या को हल करने के लिए, Google, Georgia Tech और Peking University के शोधकर्ता प्रोसीजरल ग्राफ पेश करते हैं—एक संरचित मेमोरी जो प्रक्रियात्मक ज्ञान को (प्रक्रिया, संबंध, प्रक्रिया) ट्रिपलेट के रूप में संग्रहीत करती है, जैसे ज्ञान ग्राफ तथ्यों को संग्रहीत करते हैं। प्रत्येक चरण में, एजेंट का सक्रिय नोड प्रासंगिक सबग्राफ जानकारी को स्थानीयकृत करता है, जिसे एक मार्गदर्शन मॉडल स्थितिजन्य सलाह में परिवर्तित करता है जो अगली क्रिया को पूर्वाग्रहित करता है लेकिन निर्धारित नहीं करता। ग्राफ स्व-विकसित होता है: एक LLM रिफाइनर असफल और सफल प्रक्षेपवक्र की तुलना करता है, ग्राफ टोपोलॉजी और विशेषताओं को संपादित करता है, और केवल उन परिवर्तनों को प्रतिबद्ध करता है जो आयोजित-आउट सत्यापन प्रदर्शन में सुधार करते हैं। अस्वीकृत संपादन गलतियों को दोहराने से बचने के लिए रखे जाते हैं। न्यूनतम कंकाल से शुरू करके, यह विधि ऐसे ग्राफ बनाती है जो हाथ से डिज़ाइन किए गए ग्राफ से मेल खाते हैं या उनसे अधिक होते हैं, और यह दोषपूर्ण विशेषज्ञ पूर्वधारणाओं की मरम्मत कर सकती है। कई डेटासेट, कार्य प्रकार और बैकबोन LLM में, प्रोसीजरल ग्राफ लगातार मेमोरी-आधारित बेसलाइन से बेहतर प्रदर्शन करता है, स्व-विकास मैनुअल इंजीनियरिंग के बिना अतिरिक्त लाभ जोड़ता है।