Modelos de linguagem grandes (LLMs) usados como agentes frequentemente perdem o rastro dos objetivos em tarefas longas, repetindo ações ou usando ferramentas incorretamente. Para abordar isso, pesquisadores da Google, Georgia Tech e Peking University introduzem o Grafo Procedural—uma memória estruturada que armazena conhecimento procedural como tripletos (procedimento, relação, procedimento), semelhante a como grafos de conhecimento armazenam fatos. A cada passo, o nó ativo do agente localiza informações relevantes do subgrafo, que um modelo de orientação converte em conselhos situacionais que enviesam, mas não ditam, a próxima ação.

O grafo se auto-evolui: um refinador LLM compara trajetórias falhas e bem-sucedidas, editando a topologia e atributos do grafo, e só compromete mudanças que melhoram o desempenho de validação retida. Edições rejeitadas são mantidas para evitar repetir erros. Começando de um esqueleto mínimo, este método constrói grafos que igualam ou excedem os projetados manualmente, e pode reparar prioridades especialistas defeituosas.

Através de múltiplos conjuntos de dados, tipos de tarefas e LLMs de backbone, o Grafo Procedural supera consistentemente as linhas de base baseadas em memória, com auto-evolução adicionando ganhos adicionais sem engenharia manual.