Model bahasa besar (LLM) yang digunakan sebagai agen sering kehilangan jejak tujuan dalam tugas panjang, mengulangi tindakan atau menggunakan alat secara tidak benar. Untuk mengatasi ini, peneliti dari Google, Georgia Tech, dan Peking University memperkenalkan Graf Prosedural—memori terstruktur yang menyimpan pengetahuan prosedural sebagai triplet (prosedur, relasi, prosedur), mirip dengan bagaimana graf pengetahuan menyimpan fakta. Pada setiap langkah, simpul aktif agen melokalisasi informasi subgraf yang relevan, yang diubah oleh model panduan menjadi saran situasional yang memengaruhi tetapi tidak menentukan tindakan berikutnya.

Graf berevolusi sendiri: pemurni LLM membandingkan lintasan gagal dan sukses, mengedit topologi dan atribut graf, dan hanya melakukan perubahan yang meningkatkan kinerja validasi yang ditahan. Edit yang ditolak disimpan untuk menghindari mengulangi kesalahan. Dimulai dari kerangka minimal, metode ini membangun graf yang setara atau melampaui yang dirancang manual, dan dapat memperbaiki prior ahli yang cacat.

Di berbagai kumpulan data, jenis tugas, dan LLM tulang punggung, Graf Prosedural secara konsisten mengungguli baseline berbasis memori, dengan evolusi diri menambah keuntungan tambahan tanpa rekayasa manual.