Большие языковые модели (LLM), используемые в качестве агентов, часто теряют цель в длинных задачах, повторяя действия или неправильно используя инструменты. Чтобы решить эту проблему, исследователи из Google, Georgia Tech и Peking University представляют Процедурный граф — структурированную память, которая хранит процедурные знания в виде триплетов (процедура, отношение, процедура), аналогично тому, как графы знаний хранят факты. На каждом шаге активный узел агента локализует релевантную информацию подграфа, которую модель руководства преобразует в ситуационные советы, которые влияют, но не диктуют следующее действие. Граф самоэволюционирует: уточнитель LLM сравнивает неудачные и успешные траектории, редактируя топологию и атрибуты графа, и фиксирует только изменения, улучшающие удержанную производительность валидации. Отклоненные правки сохраняются, чтобы избежать повторения ошибок. Начиная с минимального скелета, этот метод строит графы, которые соответствуют или превосходят ручные, и может исправлять ошибочные экспертные предположения. На нескольких наборах данных, типах задач и базовых LLM Процедурный граф последовательно превосходит базовые линии на основе памяти, а самоэволюция добавляет дополнительные выгоды без ручной инженерии.