手続きグラフ:LLMエージェントのための自己進化型実行構造
Procedural Graphs: Self-Evolving Execution Structures for LLM Agents
大規模言語モデル(LLM)エージェントは、外部ツールを介して計画を実行する際に、累積する履歴上で制約のない生成を行うことが多いが、これにより手順知識が暗黙的になり、長期的には目標を見失ったり、ツールの順序を誤ったり、非生産的な行動を繰り返したりする問題が生じる。本研究では、知識グラフが事実知識を整理するように、手続き知識を整理する「手続きグラフ」を導入する。これは、(手続き、関係、手続き)のトリプレットで構成され、エージェントの現在のノードとその周辺のサブグラフを解釈して、次の行動を指示するのではなく、状況に応じたガイダンスを提供する。このグラフは自己進化型であり、LLMリファイナーが失敗した軌跡と成功した軌跡を比較し、グラフのトポロジーや属性を編集することで、検証性能を維持または向上させる。最小限の骨格から開始し、このループを通じて手作業で設計されたグラフに匹敵またはそれを超えるグラフを構築できる。また、欠陥のある専門家の事前知識を修復することも可能である。複数のデータセット、タスクタイプ、LLMにわたる実験で、手続きグラフはメモリベースのベースラインと比較して一貫した改善を示し、自己進化は手動エンジニアリングなしでさらに性能を向上させる。
- LLMエージェントの手続き知識を(手続き、関係、手続き)のトリプレットで構造化する「手続きグラフ」を導入。現在ノードと周辺サブグラフを解釈し、次の行動を直接指示せず状況に応じたガイダンスを提供する。
- グラフは自己進化型で、LLMリファイナーが失敗軌跡と成功軌跡を比較しトポロジーや属性を編集、検証性能を維持または向上させる。
- 最小限の骨格から開始しても、自己進化ループを通じて手作業で設計されたグラフに匹敵またはそれを超えるグラフを構築でき、欠陥のある専門家の事前知識の修復も可能。
- 複数のデータセット、タスクタイプ、LLMにわたる実験で、手続きグラフはメモリベースのベースラインと比較して一貫した改善を示し、自己進化により手動エンジニアリングなしで性能がさらに向上。
LLMエージェントの実運用上の弱点である「履歴が長くなると手順知識が暗黙化し、目標を見失う・ツール順序を誤る・同じ失敗を繰り返す」問題に対し、手続き知識をグラフ構造として明示化し、成功/失敗軌跡の比較からLLM自身にグラフを編集させる自己進化ループを提案している点が注目に値する。人手設計のグラフに匹敵〜超過し、欠陥のある専門家の事前知識まで修復できるという主張は、エージェント基盤・オーケストレーション層の競争優位が「プロンプトやモデル単体」から「検証済み手続き知識の蓄積資産」へ移る可能性を示唆する。複数データセット・タスク・LLMで一貫した改善が確認されている点は再現性の面で評価でき、エージェント製品の信頼性・タスク完了率を差別化要因とする企業にとっては導入検討価値のある手法。ただし査読状況や計算コスト、実運用スケールでの検証は記事からは不明で、実装優位がどの程度持続するかは今後の検証が必要。