图结构遇上智能体：分类方法、研究进展与未来机遇

摘要——AI 智能体正在经历一场范式转变：从早期由强化学习（Reinforcement Learning, RL）主导，到近年来由大语言模型（Large Language Models, LLMs）驱动的智能体兴起，如今正进一步迈向 RL 与 LLM 能力融合的协同演进。这一演进过程不断增强了智能体的能力。然而，尽管取得了显著进展，要完成复杂的现实世界任务，智能体仍需具备有效的规划与执行能力、可靠的记忆机制，以及与其他智能体的流畅协作能力。实现这些能力的过程中，智能体必须应对始终存在的信息复杂性、操作复杂性与交互复杂性。针对这一挑战，数据结构化有望发挥关键作用，通过将复杂且无序的数据转化为结构良好的形式，从而使智能体能够更有效地理解与处理。在这一背景下，图（Graph）因其在组织、管理和利用复杂数据关系方面的天然优势，成为支撑高级智能体能力所需结构化过程的一种强大数据范式。

为此，本文首次系统性地回顾了图如何赋能 AI 智能体。具体而言，我们探讨了图技术与智能体核心功能的融合方式，重点介绍了典型应用场景，并展望了未来的研究方向。通过对这一新兴交叉领域的全面综述，我们希望激发下一代智能体系统的研究与发展，使其具备利用图结构应对日益复杂挑战的能力。相关资源可在附带的 Github 链接中获取，并将持续更新以服务社区。

关键词：图、图学习、智能体、大语言模型、强化学习、综述

一、引言

在人工智能（AI）快速演进的浪潮中，AI 智能体因其在任务自动化处理方面的巨大潜力而受到广泛关注。智能体的发展历程经历了从早期基于强化学习（Reinforcement Learning, RL）的架构 [1], [2]，到近年来由大语言模型（Large Language Models, LLMs）驱动的智能体 [3], [4]，再到最新融合 LLM 作为知识基础与 RL 作为任务特定学习范式的紧耦合架构 [5]，标志着智能体能力的一次重大飞跃。这一演进使得智能体能够利用 LLM 所蕴含的广泛世界知识理解复杂任务，并通过 RL 优化实现对任务的精准处理。 执行复杂现实任务的 AI 智能体往往需要具备多样化的能力 [6], [7]。高效的任务导航依赖于诸多智能体功能，例如精细化的规划能力、结合外部工具的精确执行能力、可靠的记忆机制，以及与其他智能体的高效协同能力 [8], [9]。然而，由于任务复杂性的存在，智能体在这些功能中常常面临信息、操作符以及交互的错综复杂与混乱无序。因此，亟需一种有效方式来组织和管理所遇数据，以便智能体能够更好地理解和高效处理，从而提升其应对复杂任务的能力。例如，在规划阶段，智能体需要解析非结构化的任务描述并将其重组为可执行的子任务计划；在执行过程中，需合理编排多种外部工具以兼顾效率与准确性；在记忆管理中，需有序整理庞大的内容以便有用信息得以保留并可快速检索；而在多智能体协作中，则需确定合适的协同拓扑结构，以实现有效的信息传递。在面对非结构化数据时，传统智能体通常只能在学习过程中隐式捕捉其中潜在的关联。基于数据中固有的有益关系，采用图为基础的显式建模结构化方法成为应对这一挑战的有前景途径，能够将原始而复杂的输入转化为简洁有序的形式，从而提升智能体的理解力与处理效率。这类结构化信息有助于智能体探索复杂任务并做出更具信息性的决策。 图在各类领域中已展现出广泛的适用性 [10]–[12]，并被证明是管理数据、组织含有有价值关系信息的一种强大范式。在构建好的图基础上，图学习（Graph Learning）进一步通过对结构化信息的学习展现出显著成效 [13], [14]。具体而言，图通过将实体表示为节点、显式或隐式关系建模为边，提供了一种有效的数据组织方式。一个合适的图结构是实现智能体数据组织的关键。图结构的构建具有高度灵活性，可根据特定环境、任务、操作符与应用需求自定义图结构 [15]–[17]，也可以利用现有的外部知识图谱 [18], [19]。这种灵活性使得图能够广泛嵌入于多种智能体及其多样化功能中。在构建好的图之上，图学习技术还可进一步提供一个强大的知识提取框架，帮助智能体捕捉复杂关系与有意义的信息。这使得图技术成为增强 AI 智能体在复杂场景下能力的理想手段。因此，图与智能体的交叉融合有望大幅提升其对结构化信息的处理与利用能力，进而赋能其在规划、执行、记忆与多智能体协作等方面的关键功能。 分类框架：本综述系统性地探讨了图在信息、操作符与多模型结构化组织中的作用，涵盖了从基于 RL 的智能体到基于 LLM 的智能体范式。考虑到 RL 技术与 LLM 基础模型日益紧密的融合，我们在分析中并未刻意区分图学习在这两类智能体架构中的作用，而是如图 1 所示，从智能体核心功能出发，以图赋能为主线展开讨论。我们重点关注图学习如何增强智能体的四大关键功能：规划、执行、记忆与多智能体协作。此外，本综述还探讨了智能体反过来如何促进图学习技术的发展。最后，在全面回顾的基础上，我们梳理了潜在的应用前景与关键的未来研究方向。通过综述该领域的系统洞察，我们旨在推动新一代能够利用结构化知识应对日益复杂挑战的 AI 智能体的发展。 在本文所探讨的背景下，现有综述主要集中于图技术在强化学习中的应用价值 [20], [21]。而随着 LLM 的快速发展，图学习也被视为提升其能力的有效技术，已有若干综述对该方向进行过探讨 [22], [23]。然而，尽管已有贡献，目前仍缺乏一项系统性地阐述图如何在智能体不同功能中发挥作用的综述。据我们所知，本文为首个系统性探索图技术与智能体多维操作交叉点的研究综述。我们希望通过全面回顾，为构建下一代图赋能智能体提供有价值的研究参考与启发。 本文的主要贡献如下： * 本文首次全面综述了图技术与 AI 智能体之间这一强大而充满潜力的交叉方向； * 我们提出了一种新的分类方法，系统化地梳理了图在智能体不同核心功能（规划、执行、记忆与协作）中的作用，并探讨了智能体如何反过来推动图学习的发展； * 基于本综述，我们进一步分析了图赋能智能体的应用前景、关键挑战以及未来研究方向。

文章结构如下：第二节介绍与本综述相关的基础知识；第三至第七节将根据提出的分类方法，详述各项相关研究；第八与第九节分别探讨图与智能体交叉领域中的潜在应用与未来机会；第十节对全文进行总结归纳。

本文提出了一种全新的分类方法，用于系统地探讨图技术与 AI 智能体如何实现相互增强，如图 2 所示。具体而言，在第 III 至第 VI 节中，我们介绍了图学习如何支持智能体的核心功能，包括规划（第 III 节）、执行（第 IV 节）、记忆（第 V 节）以及多智能体协作（第 VI 节）。通过将图与智能体功能之间的协同点加以细分，不仅契合了智能体系统设计中的自然模块化特征，也凸显了图技术在每项功能中所蕴含的独特潜力。 此外，在第 VII 节中，我们进一步探讨了智能体范式如何反过来促进图学习的发展。通过明确考虑这一反向作用，即基于智能体范式如何反哺图学习过程，我们强调了双向创新的重要性，并倡导一种整体视角，即图与智能体协同演化、深度融合，从而激发出超越单向整合的新方法论。 基于这一结构清晰的分类框架，我们将在第 VIII 与第 IX 节中进一步讨论相关应用与未来研究机遇。