エージェントとして使用される大規模言語モデル（LLM）は、長いタスクで目的を見失い、行動を繰り返したり、ツールを誤って使用したりすることがよくあります。これに対処するため、Google、Georgia Tech、Peking Universityの研究者は、手続きグラフを導入します。これは、知識グラフが事実を保存するのと同様に、手続き的知識を（手続き、関係、手続き）のトリプレットとして保存する構造化メモリです。各ステップで、エージェントのアクティブノードが関連するサブグラフ情報を特定し、ガイダンスモデルがそれを状況に応じたアドバイスに変換し、次のアクションにバイアスをかけますが、決定はしません。グラフは自己進化します：LLMリファイナーが失敗と成功の軌跡を比較し、グラフのトポロジーと属性を編集し、保持された検証パフォーマンスを改善する変更のみをコミットします。拒否された編集は、間違いを繰り返さないように保持されます。最小限のスケルトンから始めて、この方法は手動設計のグラフに匹敵またはそれを超えるグラフを構築し、欠陥のある専門家の事前知識を修復できます。複数のデータセット、タスクタイプ、バックボーンLLMにわたって、手続きグラフはメモリベースのベースラインを一貫して上回り、自己進化は手動エンジニアリングなしでさらなる利得を追加します。