G·AGraph Agent · interactive planning本地阅读站
非 RAG 新任务 · 图结构交互 Agent

图结构交互 Agent 决策:从动作链到可修复计划图

将任务定义从静态文本生成改为单个状态化 episode 内的连续决策:Agent 根据当前状态、目标和工具,构造并执行计划图,在反馈后修复局部依赖,再完成任务。

5 条问题主线20 个问题节点50 条跨类型来源主任务:单次交互规划
任务输入当前状态 + 目标 + 工具

只使用当前 episode 可见的状态与执行反馈

任务输出下一动作 + 计划图编辑

工具调用后依据状态变化局部修复计划

图的角色子目标 + 前置条件 + 效果

表达依赖、可并行分支和动作的状态影响

候选任务环境按研究问题选择

ToolSandbox 与 AppWorld 是状态约束和副作用任务的优先候选;τ²-bench 用于人机共同控制,WebArena、ScienceWorld 等用于迁移。

先固定任务边界输入是当前 episode 的观察、目标、工具和任务图;输出是可执行动作、计划图编辑和必要的恢复动作。跨会话记忆、长期经验写入、递归自我改进和 RAG 只作为相邻方向,不属于本库主任务。
怎么读这张图左侧选择问题主线,上方选择阶段;每个阶段同时给出瓶颈、方法回应、新问题和来源角色。来源类型不同,证据强度也不同。
主线 01 · 从静态生成到状态化交互

为什么不能只把用户目标映射成一段动作序列?

先看任务瓶颈如何变化,再查看不同来源在其中承担的证据角色。

问题推进 · 01 / 04

文本目标到动作

遇到了什么瓶颈

生成结果没有执行反馈,错误会在后续步骤累积

方法或实践如何回应

ReAct、SayCan 将推理与行动或工具可行性结合

又留下什么问题

如何记录动作造成的状态变化?

代表来源

论文、综述、博客和社区材料按证据角色并列显示
S02论文元数据与摘要核验
ReAct: Synergizing Reasoning and Acting in Language Models

推理与行动交错、环境反馈进入控制循环

Yao et al. / arXiv · 2022-10-06
S03论文元数据与摘要核验
Do As I Can, Not As I Say: Grounding Language in Robotic Affordances

语言计划与工具/技能可行性绑定

Ahn et al. / arXiv · 2022-04-04
S04论文元数据与摘要核验
LLM-Planner: Few-Shot Grounded Planning for Embodied Agents with Large Language Models

子任务规划、动作执行和环境 grounding

Song et al. / arXiv · 2022-12-08
问题推进 · 02 / 04

引入交互环境

遇到了什么瓶颈

工具调用有前置条件、副作用和隐藏状态

方法或实践如何回应

AgentBench、ScienceWorld、WebArena、AppWorld 提供可执行环境

又留下什么问题

单次成功是否来自模板记忆而非状态理解?

代表来源

论文、综述、博客和社区材料按证据角色并列显示
S07论文 / 基准元数据与摘要核验
AgentBench: Evaluating LLMs as Agents

多环境交互评测、动作和任务成功

Liu et al. / arXiv · 2023-08-07
S08论文 / 基准元数据与摘要核验
ScienceWorld: Is your Agent Smarter than a 5th Grader?

可交互科学实验、状态变化和新情境推理

Wang et al. / arXiv · 2022-03-14
S09论文 / 基准元数据与摘要核验
WebArena: A Realistic Web Environment for Building Autonomous Agents

可复现网页环境、长链任务和程序化检查

Zhou et al. / arXiv · 2023-07-25
S10论文 / 基准元数据与摘要核验
AppWorld: A Controllable World of Apps and People for Benchmarking Interactive Coding Agents

多应用 API、状态副作用和可执行 evaluator

Harsh Trivedi et al. / ACL 2024 · 2024-07-26
问题推进 · 03 / 04

以执行结果为终点

遇到了什么瓶颈

最终成功掩盖中间错误和返工成本

方法或实践如何回应

InterCode 与 AppWorld 提供执行反馈和状态检查

又留下什么问题

反馈如何改变计划结构而非只改变下一句文本?

代表来源

论文、综述、博客和社区材料按证据角色并列显示
S11论文 / 基准元数据与摘要核验
InterCode: Standardizing and Benchmarking Interactive Coding with Execution Feedback

执行反馈、代码状态和交互式修复

Yang et al. / arXiv · 2023-06-26
S10论文 / 基准元数据与摘要核验
AppWorld: A Controllable World of Apps and People for Benchmarking Interactive Coding Agents

多应用 API、状态副作用和可执行 evaluator

Harsh Trivedi et al. / ACL 2024 · 2024-07-26
S27论文 / 基准正文重点阅读
τ-bench: A Benchmark for Tool-Agent-User Interaction in Real-World Domains

用户、工具、领域政策与终态一致性;重复试验可靠性

Shunyu Yao et al. / arXiv · 2024-06-17
问题推进 · 04 / 04

状态依赖与共同控制

遇到了什么瓶颈

无状态 API 或被动用户遗漏真实前置条件

方法或实践如何回应

ToolSandbox 提供嵌套状态依赖;τ²-bench 让用户也能改变环境

又留下什么问题

如何对齐双方动作与当前约束,而非只修正文本?

代表来源

论文、综述、博客和社区材料按证据角色并列显示
S33论文 / 基准正文重点阅读
ToolSandbox: A Stateful, Conversational, Interactive Evaluation Benchmark for LLM Tool Use Capabilities

隐式状态依赖、交互恢复、Milestones/Minefields 与中间轨迹评价

Jiarui Lu et al. / arXiv · 2024-08-08
S28论文 / 基准正文重点阅读
τ²-bench: Evaluating Conversational Agents in a Dual-Control Environment

双主体共同改变环境;组合任务生成与沟通/推理分离

Victor Barres et al. / arXiv · 2025-06-09
放回任务环境

“创建会议并通知成员”不是一次文本生成;权限、时间冲突和 API 返回值会改变下一步可行动作。

最小判别实验 · 本库提出

固定模型、工具和总调用预算,比较无状态动作链、带状态反馈的动作链和显式计划图;记录每一步状态差异与副作用。

与其他主线的连接

任务一旦有可观察状态与动作后果,图才可能成为决策接口,而不是展示层。

主线 02 · 从动作链到依赖计划图

图应该表达哪些关系,才能支持并行、阻塞和重排?

先看任务瓶颈如何变化,再查看不同来源在其中承担的证据角色。

问题推进 · 01 / 04

线性分解复杂目标

遇到了什么瓶颈

动作顺序固定,无法表示独立分支和汇合条件

方法或实践如何回应

思维图、图学习规划与 TaskBench 分别组织推理或任务依赖

又留下什么问题

图边是语言推断、环境约束还是人工标注?

代表来源

论文、综述、博客和社区材料按证据角色并列显示
S05论文元数据与摘要核验
Graph of Thoughts: Solving Elaborate Problems with Large Language Models

将思维单元组织为可合并、可回溯的图

Besta et al. / arXiv · 2023-08-18
S06论文正文重点阅读
Can Graph Learning Improve Planning in LLM-based Agents?

子任务依赖图和图学习规划

Wu et al. / arXiv · 2024-05-29
S32论文 / 基准正文重点阅读
TaskBench: Benchmarking Large Language Models for Task Automation

工具图采样、back-instruct 与任务分解/选择/参数的分项评价

Yongliang Shen et al. / NeurIPS 2024 · 2023-11-30
问题推进 · 02 / 04

绑定工具可行性

遇到了什么瓶颈

语义上合理的动作可能在当前环境不可执行

方法或实践如何回应

SayCan 将语言计划与 affordance/工具价值结合

又留下什么问题

可行性评分如何处理状态变化和互相冲突的动作?

代表来源

论文、综述、博客和社区材料按证据角色并列显示
S03论文元数据与摘要核验
Do As I Can, Not As I Say: Grounding Language in Robotic Affordances

语言计划与工具/技能可行性绑定

Ahn et al. / arXiv · 2022-04-04
S04论文元数据与摘要核验
LLM-Planner: Few-Shot Grounded Planning for Embodied Agents with Large Language Models

子任务规划、动作执行和环境 grounding

Song et al. / arXiv · 2022-12-08
问题推进 · 03 / 04

表达状态效果

遇到了什么瓶颈

只记录子任务依赖无法判断动作是否已经完成或失效

方法或实践如何回应

ToolSandbox 显式构造状态依赖;本库尝试将其与计划关系对齐

又留下什么问题

细粒度图是否增加标注成本并放大解析错误?

代表来源

论文、综述、博客和社区材料按证据角色并列显示
S33论文 / 基准正文重点阅读
ToolSandbox: A Stateful, Conversational, Interactive Evaluation Benchmark for LLM Tool Use Capabilities

隐式状态依赖、交互恢复、Milestones/Minefields 与中间轨迹评价

Jiarui Lu et al. / arXiv · 2024-08-08
S10论文 / 基准元数据与摘要核验
AppWorld: A Controllable World of Apps and People for Benchmarking Interactive Coding Agents

多应用 API、状态副作用和可执行 evaluator

Harsh Trivedi et al. / ACL 2024 · 2024-07-26
S08论文 / 基准元数据与摘要核验
ScienceWorld: Is your Agent Smarter than a 5th Grader?

可交互科学实验、状态变化和新情境推理

Wang et al. / arXiv · 2022-03-14
问题推进 · 04 / 04

依赖图不等于安全并行

遇到了什么瓶颈

独立数据流仍可能共享资源或隐含决策

方法或实践如何回应

LLMCompiler/GAP 调度依赖;工程文章强调状态冲突和异步更新

又留下什么问题

哪些冲突边能被观察、验证并影响执行?

代表来源

论文、综述、博客和社区材料按证据角色并列显示
S23论文正文重点阅读
An LLM Compiler for Parallel Function Calling

依赖 DAG、流式规划、任务派发与并行工具执行

Sehoon Kim et al. / ICML 2024 · 2023-12-07
S22论文元数据与摘要核验
GAP: Graph-Based Agent Planning with Parallel Tool Use and Reinforcement Learning

依赖感知子任务图、并行/串行工具执行和强化学习

Jiaqi Wu et al. / arXiv · 2025-10-29
S39工程博客文章正文阅读
Don’t Build Multi-Agents

完整上下文共享、动作隐含决策与跨分支冲突

Walden Yan / Cognition · 2025-06-12
S43官方博客文章正文阅读
Agents Are Going Async

后台子任务、事件通知、修改和取消;等待语义

Sydney Runkle, Thushanth Bengre / LangChain · 2026-11-05
放回任务环境

“先创建账户再授权再调用 API”是依赖链;“读取说明”和“准备参数”可以并行,但授权失败后只有受影响分支需要重排。

最小判别实验 · 本库提出

保持节点文本和上下文长度不变,随机打乱边、删除关键前置条件,再比较动作选择与任务完成率。

与其他主线的连接

计划图与知识图谱问答的区别在于,边必须能约束下一动作并在执行后被验证。

主线 03 · 从一次规划到执行中的局部修复

工具反馈出现后,Agent 应该重做全部计划还是只修改局部子图?

先看任务瓶颈如何变化,再查看不同来源在其中承担的证据角色。

问题推进 · 01 / 04

工具返回错误

遇到了什么瓶颈

失败信息常被当成自然语言提示,无法定位受影响步骤

方法或实践如何回应

ReAct、InterCode 和可编排 Agent 框架将执行反馈送回控制循环

又留下什么问题

哪个图节点或边应被标记为失效?

代表来源

论文、综述、博客和社区材料按证据角色并列显示
S02论文元数据与摘要核验
ReAct: Synergizing Reasoning and Acting in Language Models

推理与行动交错、环境反馈进入控制循环

Yao et al. / arXiv · 2022-10-06
S11论文 / 基准元数据与摘要核验
InterCode: Standardizing and Benchmarking Interactive Coding with Execution Feedback

执行反馈、代码状态和交互式修复

Yang et al. / arXiv · 2023-06-26
S14官方文档现行文档正文阅读
LangGraph Graph API:状态、节点、边与消息传递

状态图、节点、边、检查点和控制流接口

LangChain · 持续更新
问题推进 · 02 / 04

局部状态改变

遇到了什么瓶颈

重做完整计划浪费调用,局部修复又可能遗漏依赖

方法或实践如何回应

计划图修复工作尝试定位错误传播核心;本库进一步把修复对象限制为当前 episode 的受影响子图

又留下什么问题

修复是否真的保持未受影响分支不变?

代表来源

论文、综述、博客和社区材料按证据角色并列显示
S06论文正文重点阅读
Can Graph Learning Improve Planning in LLM-based Agents?

子任务依赖图和图学习规划

Wu et al. / arXiv · 2024-05-29
S14官方文档现行文档正文阅读
LangGraph Graph API:状态、节点、边与消息传递

状态图、节点、边、检查点和控制流接口

LangChain · 持续更新
S21论文正文重点阅读
Repair the Core, Not the Symptom: Planning-Graph Repair for Long-Horizon Agents

从失败轨迹定位并修复导致错误传播的紧凑计划图核心

Xinyuan Song, Zekun Cai / arXiv · 2026-07-02
问题推进 · 03 / 04

失败触发重新分解

遇到了什么瓶颈

固定计划粒度与执行器能力不匹配

方法或实践如何回应

ADaPT 按需递归分解;MAST 区分设计、沟通和验证失败

又留下什么问题

是结构修复有效,还是更强的失败判断有效?

代表来源

论文、综述、博客和社区材料按证据角色并列显示
S25论文正文重点阅读
ADaPT: As-Needed Decomposition and Planning with Language Models

执行失败后递归分解;TextCraft 组合任务与分解深度

Archiki Prasad et al. / Findings of NAACL 2024 · 2023-11-08
S26论文 / 基准正文重点阅读
Why Do Multi-Agent LLM Systems Fail?

MAST 失败分类与多 Agent 轨迹数据

Mert Cemri et al. / arXiv · 2025-03-17
S33论文 / 基准正文重点阅读
ToolSandbox: A Stateful, Conversational, Interactive Evaluation Benchmark for LLM Tool Use Capabilities

隐式状态依赖、交互恢复、Milestones/Minefields 与中间轨迹评价

Jiarui Lu et al. / arXiv · 2024-08-08
问题推进 · 04 / 04

恢复、重试与终止

遇到了什么瓶颈

反复尝试会放大副作用,检查点也不保证语义正确

方法或实践如何回应

保存可诊断错误并控制重试;检查真实状态与计划是否一致

又留下什么问题

如何区分恢复能力和盲目试错?

代表来源

论文、综述、博客和社区材料按证据角色并列显示
S41工程项目/社区README 与关键章节阅读
12-Factor Agents: Principles for building reliable LLM applications

显式执行状态、控制流、错误事件与小型任务单元

Dex Horthy / HumanLayer community · 持续更新
S38工程博客文章正文阅读
Context Engineering for AI Agents: Lessons from Building Manus

稳定前缀、动作可用性控制、可恢复压缩与保留失败观察

Yichao “Peak” Ji / Manus · 2025-07-18
S50官方文档现行文档正文阅读
LangGraph Persistence: Checkpointers and Stores

当前任务检查点、恢复与跨线程存储的职责区分

LangChain documentation · 持续更新
S37官方博客文章正文与更新说明阅读
The “think” tool: Enabling Claude to stop and think in complex tool use situations

工具结果后的约束检查;方法建议随模型能力演进

Anthropic Engineering · 2025-03-20
放回任务环境

权限错误只应阻塞需要该权限的分支;已经验证成功的独立步骤不应被无故重做。

最小判别实验 · 本库提出

注入已知错误类型并标注受影响子图,比较全量重规划、局部修复和 oracle 修复的恢复步数、重复副作用与最终成功率。

与其他主线的连接

这条主线把图从“规划表示”推进为“执行控制状态”,也是本库最主要的研究增量候选。

主线 04 · 从任务成功到结构泛化

怎样证明 Agent 学到的是依赖结构,而不是记住动作字符串?

先看任务瓶颈如何变化,再查看不同来源在其中承担的证据角色。

问题推进 · 01 / 04

同模板测试

遇到了什么瓶颈

相同实体、工具名和顺序会制造虚假的高分

方法或实践如何回应

WebArena、AppWorld 和 ScienceWorld 提供不同任务族与环境约束

又留下什么问题

如何拆分实体、工具、目标和结构?

代表来源

论文、综述、博客和社区材料按证据角色并列显示
S08论文 / 基准元数据与摘要核验
ScienceWorld: Is your Agent Smarter than a 5th Grader?

可交互科学实验、状态变化和新情境推理

Wang et al. / arXiv · 2022-03-14
S09论文 / 基准元数据与摘要核验
WebArena: A Realistic Web Environment for Building Autonomous Agents

可复现网页环境、长链任务和程序化检查

Zhou et al. / arXiv · 2023-07-25
S10论文 / 基准元数据与摘要核验
AppWorld: A Controllable World of Apps and People for Benchmarking Interactive Coding Agents

多应用 API、状态副作用和可执行 evaluator

Harsh Trivedi et al. / ACL 2024 · 2024-07-26
问题推进 · 02 / 04

结构保持、表面变化

遇到了什么瓶颈

字符串替换可能仍泄漏模板

方法或实践如何回应

使用新工具名、新实体和新参数保持依赖图不变

又留下什么问题

什么结构变化才算真正 OOD?

代表来源

论文、综述、博客和社区材料按证据角色并列显示
S06论文正文重点阅读
Can Graph Learning Improve Planning in LLM-based Agents?

子任务依赖图和图学习规划

Wu et al. / arXiv · 2024-05-29
S07论文 / 基准元数据与摘要核验
AgentBench: Evaluating LLMs as Agents

多环境交互评测、动作和任务成功

Liu et al. / arXiv · 2023-08-07
S11论文 / 基准元数据与摘要核验
InterCode: Standardizing and Benchmarking Interactive Coding with Execution Feedback

执行反馈、代码状态和交互式修复

Yang et al. / arXiv · 2023-06-26
S20论文元数据与摘要核验
Bridging Tool Dependencies and Domain Knowledge: A Graph-Based Framework for In-Context Planning

工具 schema 依赖图与领域程序知识图融合,用于计划生成

Shengjie Liu, Li Dong, Zhenyu Zhang / arXiv · 2025-10-28
S22论文元数据与摘要核验
GAP: Graph-Based Agent Planning with Parallel Tool Use and Reinforcement Learning

依赖感知子任务图、并行/串行工具执行和强化学习

Jiaqi Wu et al. / arXiv · 2025-10-29
问题推进 · 03 / 04

跨环境迁移

遇到了什么瓶颈

不同环境的工具语义和状态空间不一致

方法或实践如何回应

将子目标依赖、前置条件和修复模式作为迁移单位

又留下什么问题

迁移的是图结构、语言策略还是工具先验?

代表来源

论文、综述、博客和社区材料按证据角色并列显示
S07论文 / 基准元数据与摘要核验
AgentBench: Evaluating LLMs as Agents

多环境交互评测、动作和任务成功

Liu et al. / arXiv · 2023-08-07
S08论文 / 基准元数据与摘要核验
ScienceWorld: Is your Agent Smarter than a 5th Grader?

可交互科学实验、状态变化和新情境推理

Wang et al. / arXiv · 2022-03-14
S30论文 / 基准正文重点阅读
WorkArena: How Capable Are Web Agents at Solving Common Knowledge Work Tasks?

企业网页知识工作与 BrowserGym 观测/动作设计

Alexandre Drouin et al. / arXiv · 2024-03-12
S31论文 / 基准正文重点阅读
OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments

跨桌面/网页应用工作流、初态配置与执行式评价

Tianbao Xie et al. / arXiv · 2024-04-11
问题推进 · 04 / 04

分离表面与结构

遇到了什么瓶颈

更换名字或增加复杂度不一定检验结构理解

方法或实践如何回应

PlanBench 的形式验证、TaskBench 的图构造和 τ²-bench 的组合生成提供参照

又留下什么问题

图结构保持与真正改变时,Agent 会作出不同反应吗?

代表来源

论文、综述、博客和社区材料按证据角色并列显示
S29论文 / 基准正文重点阅读
PlanBench: An Extensible Benchmark for Evaluating Large Language Models on Planning and Reasoning about Change

形式化动作、计划验证、变化推理与词汇表面变化

Karthik Valmeekam et al. / NeurIPS 2023 Datasets and Benchmarks · 2022-06-21
S32论文 / 基准正文重点阅读
TaskBench: Benchmarking Large Language Models for Task Automation

工具图采样、back-instruct 与任务分解/选择/参数的分项评价

Yongliang Shen et al. / NeurIPS 2024 · 2023-11-30
S28论文 / 基准正文重点阅读
τ²-bench: Evaluating Conversational Agents in a Dual-Control Environment

双主体共同改变环境;组合任务生成与沟通/推理分离

Victor Barres et al. / arXiv · 2025-06-09
放回任务环境

训练环境用“日历 API”,测试环境换成“项目排期 API”;如果依赖关系仍保留,Agent 应能迁移先后约束而非只复现 API 名称。

最小判别实验 · 本库提出

按任务族、实体、工具集合和图结构分层,报告 OOD 成功率、动作成本、恢复率和图编辑 F1。

与其他主线的连接

结构泛化把图规划与普通 Agent prompting 区分开,但不能直接推出长期记忆或 RSI 能力。

主线 05 · 从演示效果到可复现实验

怎样让不同图规划方法在同一任务定义下公平比较?

先看任务瓶颈如何变化,再查看不同来源在其中承担的证据角色。

问题推进 · 01 / 04

只报最终成功

遇到了什么瓶颈

看不到动作返工、状态破坏和调用成本

方法或实践如何回应

AgentBench、WebArena、AppWorld 提供程序化或环境级指标

又留下什么问题

指标是否覆盖计划质量与恢复质量?

代表来源

论文、综述、博客和社区材料按证据角色并列显示
S07论文 / 基准元数据与摘要核验
AgentBench: Evaluating LLMs as Agents

多环境交互评测、动作和任务成功

Liu et al. / arXiv · 2023-08-07
S09论文 / 基准元数据与摘要核验
WebArena: A Realistic Web Environment for Building Autonomous Agents

可复现网页环境、长链任务和程序化检查

Zhou et al. / arXiv · 2023-07-25
S10论文 / 基准元数据与摘要核验
AppWorld: A Controllable World of Apps and People for Benchmarking Interactive Coding Agents

多应用 API、状态副作用和可执行 evaluator

Harsh Trivedi et al. / ACL 2024 · 2024-07-26
问题推进 · 02 / 04

只比较模型

遇到了什么瓶颈

环境版本、工具权限和预算差异会改变结果

方法或实践如何回应

固定环境快照、工具接口、随机种子和交互预算

又留下什么问题

如何发布可重放的图和反馈轨迹?

代表来源

论文、综述、博客和社区材料按证据角色并列显示
S10论文 / 基准元数据与摘要核验
AppWorld: A Controllable World of Apps and People for Benchmarking Interactive Coding Agents

多应用 API、状态副作用和可执行 evaluator

Harsh Trivedi et al. / ACL 2024 · 2024-07-26
S11论文 / 基准元数据与摘要核验
InterCode: Standardizing and Benchmarking Interactive Coding with Execution Feedback

执行反馈、代码状态和交互式修复

Yang et al. / arXiv · 2023-06-26
S15官方项目 / 社区README 正文阅读
AppWorld benchmark and simulator

任务、模拟器、工具 API 和 evaluator 复现线索

Stony Brook NLP · 持续更新
问题推进 · 03 / 04

只展示最佳轨迹

遇到了什么瓶颈

选择性案例无法说明失败边界

方法或实践如何回应

用 MAST 分析失败,结合里程碑与重复试验可靠性

又留下什么问题

图编辑和中间约束的标注成本是否可接受?

代表来源

论文、综述、博客和社区材料按证据角色并列显示
S26论文 / 基准正文重点阅读
Why Do Multi-Agent LLM Systems Fail?

MAST 失败分类与多 Agent 轨迹数据

Mert Cemri et al. / arXiv · 2025-03-17
S33论文 / 基准正文重点阅读
ToolSandbox: A Stateful, Conversational, Interactive Evaluation Benchmark for LLM Tool Use Capabilities

隐式状态依赖、交互恢复、Milestones/Minefields 与中间轨迹评价

Jiarui Lu et al. / arXiv · 2024-08-08
S27论文 / 基准正文重点阅读
τ-bench: A Benchmark for Tool-Agent-User Interaction in Real-World Domains

用户、工具、领域政策与终态一致性;重复试验可靠性

Shunyu Yao et al. / arXiv · 2024-06-17
问题推进 · 04 / 04

忽略接口与维护开销

遇到了什么瓶颈

图收益可能来自额外信息、推理或更好的工具说明

方法或实践如何回应

固定工具契约并计入图维护、上下文与世界模型准备成本

又留下什么问题

换模型或架构版本后,结论还成立吗?

代表来源

论文、综述、博客和社区材料按证据角色并列显示
S34官方博客文章正文阅读
Writing effective tools for AI agents

工具契约、命名、有效信息返回与真实任务评价

Ken Aizawa / Anthropic Engineering · 2025-09-11
S35官方博客文章正文阅读
Effective context engineering for AI agents

当前任务上下文选择、结果压缩、按需读取与子任务隔离

Anthropic Applied AI · 2025-09-29
S42研究者博客访谈笔记正文阅读
Context Engineering in Manus

Manus 访谈笔记;压缩、外置、隔离及规划器方案变化

Lance Martin · 2025-10-15
S49论文正文重点阅读
GATS: Graph-Augmented Tree Search with Layered World Models for Efficient Agent Planning

符号匹配、日志统计与未知动作预测组成的世界模型搜索

Maureese Williams, Dymitr Nowicki / arXiv · 2026-07-09
放回任务环境

一个方法最终成功但调用次数翻倍,不能与低成本一次完成视为等价。

最小判别实验 · 本库提出

建立包含成功、失败、部分完成和副作用的固定轨迹集,统一报告任务成功、下一动作准确率、计划边一致性、修复率、调用数和 token 成本。

与其他主线的连接

可复现评测是新任务成立的前提;如果图编辑无法独立测量,研究问题需要收窄。

5 条主线,一起看

先定义交互任务,再确定图的表示、执行、修复和评测作用;不把图后端默认当成记忆系统。

01 · 从静态生成到状态化交互
文本目标到动作引入交互环境以执行结果为终点状态依赖与共同控制
02 · 从动作链到依赖计划图
线性分解复杂目标绑定工具可行性表达状态效果依赖图不等于安全并行
03 · 从一次规划到执行中的局部修复
工具返回错误局部状态改变失败触发重新分解恢复、重试与终止
04 · 从任务成功到结构泛化
同模板测试结构保持、表面变化跨环境迁移分离表面与结构
05 · 从演示效果到可复现实验
只报最终成功只比较模型只展示最佳轨迹忽略接口与维护开销

跨类型来源池

论文和综述支持研究事实;博客、官方文章和社区项目补充问题、工程与更新线索。

来源与核验范围
S01综述元数据与摘要核验
A Survey on Large Language Model based Autonomous Agents

Agent 环境、规划、工具和评测的术语边界

Wang et al. / arXiv · 2023-08-22
S02论文元数据与摘要核验
ReAct: Synergizing Reasoning and Acting in Language Models

推理与行动交错、环境反馈进入控制循环

Yao et al. / arXiv · 2022-10-06
S03论文元数据与摘要核验
Do As I Can, Not As I Say: Grounding Language in Robotic Affordances

语言计划与工具/技能可行性绑定

Ahn et al. / arXiv · 2022-04-04
S04论文元数据与摘要核验
LLM-Planner: Few-Shot Grounded Planning for Embodied Agents with Large Language Models

子任务规划、动作执行和环境 grounding

Song et al. / arXiv · 2022-12-08
S05论文元数据与摘要核验
Graph of Thoughts: Solving Elaborate Problems with Large Language Models

将思维单元组织为可合并、可回溯的图

Besta et al. / arXiv · 2023-08-18
S06论文正文重点阅读
Can Graph Learning Improve Planning in LLM-based Agents?

子任务依赖图和图学习规划

Wu et al. / arXiv · 2024-05-29
S07论文 / 基准元数据与摘要核验
AgentBench: Evaluating LLMs as Agents

多环境交互评测、动作和任务成功

Liu et al. / arXiv · 2023-08-07
S08论文 / 基准元数据与摘要核验
ScienceWorld: Is your Agent Smarter than a 5th Grader?

可交互科学实验、状态变化和新情境推理

Wang et al. / arXiv · 2022-03-14
S09论文 / 基准元数据与摘要核验
WebArena: A Realistic Web Environment for Building Autonomous Agents

可复现网页环境、长链任务和程序化检查

Zhou et al. / arXiv · 2023-07-25
S10论文 / 基准元数据与摘要核验
AppWorld: A Controllable World of Apps and People for Benchmarking Interactive Coding Agents

多应用 API、状态副作用和可执行 evaluator

Harsh Trivedi et al. / ACL 2024 · 2024-07-26
S11论文 / 基准元数据与摘要核验
InterCode: Standardizing and Benchmarking Interactive Coding with Execution Feedback

执行反馈、代码状态和交互式修复

Yang et al. / arXiv · 2023-06-26
S12官方博客文章正文阅读
Building effective AI agents

workflow、Agent、工具接口和检查点的工程经验

Anthropic Engineering · 2024-12-19
S13研究者博客文章正文阅读
LLM Powered Autonomous Agents

规划、工具使用和环境反馈的概念综述

Lilian Weng · 2023-06-23
S14官方文档现行文档正文阅读
LangGraph Graph API:状态、节点、边与消息传递

状态图、节点、边、检查点和控制流接口

LangChain · 持续更新
S15官方项目 / 社区README 正文阅读
AppWorld benchmark and simulator

任务、模拟器、工具 API 和 evaluator 复现线索

Stony Brook NLP · 持续更新
S16官方项目 / 社区README 正文阅读
WebArena benchmark

网页环境、任务配置和启动流程

WebArena-X · 持续更新
S17官方项目 / 社区README 正文阅读
ScienceWorld environment

科学实验环境、任务和状态接口

Allen Institute for AI · 持续更新
S18官方项目 / 社区README 正文阅读
BrowserGym: A Gym Environment for Web Tasks

浏览器任务环境和可重放交互接口

ServiceNow · 持续更新
S19社区索引README 索引阅读
LLM Agent Survey repository

论文、环境和工具的更新线索

Paitesanshi et al. / GitHub · 持续更新
S20论文元数据与摘要核验
Bridging Tool Dependencies and Domain Knowledge: A Graph-Based Framework for In-Context Planning

工具 schema 依赖图与领域程序知识图融合,用于计划生成

Shengjie Liu, Li Dong, Zhenyu Zhang / arXiv · 2025-10-28
S21论文正文重点阅读
Repair the Core, Not the Symptom: Planning-Graph Repair for Long-Horizon Agents

从失败轨迹定位并修复导致错误传播的紧凑计划图核心

Xinyuan Song, Zekun Cai / arXiv · 2026-07-02
S22论文元数据与摘要核验
GAP: Graph-Based Agent Planning with Parallel Tool Use and Reinforcement Learning

依赖感知子任务图、并行/串行工具执行和强化学习

Jiaqi Wu et al. / arXiv · 2025-10-29
S23论文正文重点阅读
An LLM Compiler for Parallel Function Calling

依赖 DAG、流式规划、任务派发与并行工具执行

Sehoon Kim et al. / ICML 2024 · 2023-12-07
S24论文正文重点阅读
ReWOO: Decoupling Reasoning from Observations for Efficient Augmented Language Models

规划、执行与汇总解耦;用变量引用保留任务间依赖

Binfeng Xu et al. / arXiv · 2023-05-23
S25论文正文重点阅读
ADaPT: As-Needed Decomposition and Planning with Language Models

执行失败后递归分解;TextCraft 组合任务与分解深度

Archiki Prasad et al. / Findings of NAACL 2024 · 2023-11-08
S26论文 / 基准正文重点阅读
Why Do Multi-Agent LLM Systems Fail?

MAST 失败分类与多 Agent 轨迹数据

Mert Cemri et al. / arXiv · 2025-03-17
S27论文 / 基准正文重点阅读
τ-bench: A Benchmark for Tool-Agent-User Interaction in Real-World Domains

用户、工具、领域政策与终态一致性;重复试验可靠性

Shunyu Yao et al. / arXiv · 2024-06-17
S28论文 / 基准正文重点阅读
τ²-bench: Evaluating Conversational Agents in a Dual-Control Environment

双主体共同改变环境;组合任务生成与沟通/推理分离

Victor Barres et al. / arXiv · 2025-06-09
S29论文 / 基准正文重点阅读
PlanBench: An Extensible Benchmark for Evaluating Large Language Models on Planning and Reasoning about Change

形式化动作、计划验证、变化推理与词汇表面变化

Karthik Valmeekam et al. / NeurIPS 2023 Datasets and Benchmarks · 2022-06-21
S30论文 / 基准正文重点阅读
WorkArena: How Capable Are Web Agents at Solving Common Knowledge Work Tasks?

企业网页知识工作与 BrowserGym 观测/动作设计

Alexandre Drouin et al. / arXiv · 2024-03-12
S31论文 / 基准正文重点阅读
OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments

跨桌面/网页应用工作流、初态配置与执行式评价

Tianbao Xie et al. / arXiv · 2024-04-11
S32论文 / 基准正文重点阅读
TaskBench: Benchmarking Large Language Models for Task Automation

工具图采样、back-instruct 与任务分解/选择/参数的分项评价

Yongliang Shen et al. / NeurIPS 2024 · 2023-11-30
S33论文 / 基准正文重点阅读
ToolSandbox: A Stateful, Conversational, Interactive Evaluation Benchmark for LLM Tool Use Capabilities

隐式状态依赖、交互恢复、Milestones/Minefields 与中间轨迹评价

Jiarui Lu et al. / arXiv · 2024-08-08
S34官方博客文章正文阅读
Writing effective tools for AI agents

工具契约、命名、有效信息返回与真实任务评价

Ken Aizawa / Anthropic Engineering · 2025-09-11
S35官方博客文章正文阅读
Effective context engineering for AI agents

当前任务上下文选择、结果压缩、按需读取与子任务隔离

Anthropic Applied AI · 2025-09-29
S36官方博客文章正文阅读
How we built our multi-agent research system

独立并行任务、委派边界、状态恢复与预算成本

Anthropic Engineering · 2025-06-13
S37官方博客文章正文与更新说明阅读
The “think” tool: Enabling Claude to stop and think in complex tool use situations

工具结果后的约束检查;方法建议随模型能力演进

Anthropic Engineering · 2025-03-20
S38工程博客文章正文阅读
Context Engineering for AI Agents: Lessons from Building Manus

稳定前缀、动作可用性控制、可恢复压缩与保留失败观察

Yichao “Peak” Ji / Manus · 2025-07-18
S39工程博客文章正文阅读
Don’t Build Multi-Agents

完整上下文共享、动作隐含决策与跨分支冲突

Walden Yan / Cognition · 2025-06-12
S40官方博客文章正文阅读
Plan-and-Execute Agents

Plan-and-Execute、ReWOO 与 LLMCompiler 的执行差异

The LangChain Team · 2024-02-13
S41工程项目/社区README 与关键章节阅读
12-Factor Agents: Principles for building reliable LLM applications

显式执行状态、控制流、错误事件与小型任务单元

Dex Horthy / HumanLayer community · 持续更新
S42研究者博客访谈笔记正文阅读
Context Engineering in Manus

Manus 访谈笔记;压缩、外置、隔离及规划器方案变化

Lance Martin · 2025-10-15
S43官方博客文章正文阅读
Agents Are Going Async

后台子任务、事件通知、修改和取消;等待语义

Sydney Runkle, Thushanth Bengre / LangChain · 2026-11-05
S44X / Twitter 分享平台节选与镜像交叉核验
Context engineering over prompt engineering

研究者观点:为下一步准备适当上下文与控制流程

Andrej Karpathy (@karpathy) · 2025-06-25
S45X / Twitter 分享平台节选、镜像与项目链接交叉核验
Introducing AppWorld: apps, interactive coding and reproducible evaluation

作者发布与环境资源入口;回到论文和项目核验

Harsh Trivedi (@harsh3vedi) · 2024-07-30
S46社区讨论主题与指定评论正文核验
Hacker News discussion: Don’t Build Multi-Agents

上下文隔离、Agent/工具边界与共享状态的争论

Hacker News participants · 2025-09-01
S47社区讨论主题与指定评论正文核验
Hacker News discussion: Context Engineering for AI Agents: Lessons

任务文件、可恢复上下文与缓存成本的工程自述

Hacker News participants · 2025-09-23
S48论文正文重点阅读
SAGA: Scene-Aware, Goal-Evolving Agents for Long-Horizon Strategy Game Planning

场景图、跨领域共享资源与局内目标协调

Tianyu Jin et al. / arXiv · 2026-06-29
S49论文正文重点阅读
GATS: Graph-Augmented Tree Search with Layered World Models for Efficient Agent Planning

符号匹配、日志统计与未知动作预测组成的世界模型搜索

Maureese Williams, Dymitr Nowicki / arXiv · 2026-07-09
S50官方文档现行文档正文阅读
LangGraph Persistence: Checkpointers and Stores

当前任务检查点、恢复与跨线程存储的职责区分

LangChain documentation · 持续更新

来源登记与阅读笔记按 Markdown 维护;新增材料会进入来源筛选与本地详情页。博客、官方文章和社区项目用于问题与实现线索,性能主张仍需论文或可复核实验支持。

研究判断

图结构的价值,
要由动作变化证明。

新任务应把“当前状态 → 计划图 → 下一动作 → 环境反馈 → 局部修复”作为可观测闭环。

最小版本优先在 AppWorld 或 WebArena 构造可重放的任务图和修复标签,再用 ScienceWorld 或其他交互环境测试结构泛化;模型复杂度放在任务和评价协议之后。

本页的主线、任务构造和判别实验是基于来源的研究综合与研究假设;来源边界和持续收集规则见来源登记。Agent Memory、RSI 和 GraphRAG 只作为边界对照,不作为本页的主任务定义。