这轮材料将一个宽泛愿望拆成具体问题:图里的关系究竟改变了哪一步行动,为什么现有规划器、状态机或文字检查清单还不够? 下面是并行的问题路线,不是后一个方法必然取代前一个方法。

默认入口请先读 从博客到论文的主线阅读。本页是读完主线后的问题地图,用于按兴趣分支拓展;不建议第一次从来源目录或论文表格开始。

先读这几组材料

想先弄清什么 第一份材料 然后对照 读完应能回答
Agent 与固定流程有什么区别 Building effective AI agents Graph API、12-Factor Agents 哪些边由程序写死,哪些由模型决定?
为什么需要依赖图 Plan-and-Execute 工程对照 LLMCompiler、TaskBench、图学习规划 图用于变量传递、选择子图,还是安全执行?
出错后该改什么 ADaPT ReCore、ToolSandbox 是分解粒度、图内错误,还是外部状态出了问题?
为什么并行会失败 Cognition Anthropic、MAST、社区反例 任务有没有隐式决策与读写冲突?
如何换成新的任务与数据 ToolSandbox τ²-bench、AppWorld、SAGA 是在线约束恢复、人机协调,还是资源冲突?
如何证明结构而不是提示更有效 PlanBench 上下文工程、Manus 后续变化 相同信息、预算下,打乱边会发生什么?

问题一:三种“图”需要分别解释

控制流图表示程序下一步运行哪段代码,例如 LangGraph 的节点与条件边。工具数据流图表示输出值如何传给后续调用,例如 LLMCompiler 和 ReWOO 的变量依赖。状态约束图表示某个动作当前是否允许、会改变什么、与哪些操作冲突。

三者可以结合,但不能互相代替。使用图框架不等于学会图规划;两个工具没有数据依赖也不等于可以安全并发写同一资源。KG 在这里更适合表达实体、状态和行动关系,并把关系连接到可验证动作。

问题二:局部修复已有直接近邻

已有工作 已覆盖的内容 本库仍需明确的区别
图学习规划 任务图上的结构决策与 GNN 在线环境状态改变之后,还需要更新哪些关系?
LLMCompiler、GAP 带依赖的串行/并行工具执行 有没有数据依赖之外的读写冲突?
工具图与领域知识融合 schema 与程序知识组织计划 当前观察如何否定原来的工具/领域关系?
ReCore 定位错误传播核心并局部修复 图内修复如何对齐已经发生的外部副作用?
ADaPT 执行失败触发递归分解 图是否减少重复展开,而非仅增加计算?
ToolSandbox 隐式状态依赖、恢复与中间评价 新任务具体增加了何种失效与恢复难度?

因此不能以“第一次使用图”“局部图修复”作为当前新颖性判断。是否存在研究空间,要在可见信息、失败类型、监督来源与同等预算对照后判断。

问题三:三个值得进一步比较的任务候选

候选任务 输入 → 输出 图的必要职责 可起步环境 最强竞争解释
状态约束维护与恢复 当前观察、目标与工具反馈 → 下一动作及失效/修复关系 定位受影响条件,保留未受影响分支 ToolSandbox;随后 AppWorld 文字状态表或确定性规则已足够
人机共同控制的依赖对齐 双方可见信息与行动反馈 → 谁执行什么、等待哪项确认 对齐不同主体的操作、设备状态与确认关系 τ²-bench telecom 收益仅来自更好的用户提示或模拟器
共享资源下的冲突感知调度 多目标、资源与运行事件 → 可执行并行组及调整 同时表达数据依赖、共享资源和过期结果 AppWorld 的受控扩展;策略游戏作外部验证 调度器或完整资源模型已经接近 oracle

这些是任务设想,尚未生成新数据集、训练模型或证明优于现有方法。仅给既有数据附一层图标签不足以构成新数据贡献;应让样本真正包含需要决策的依赖、冲突或状态失效。

第一项最便于先隔离状态机制,第二项改变任务表述最明显,第三项对图建模要求较高但工程干扰也更多。当前资料支持先做小规模区分性试验,尚不足以排他性确定最终方向。

问题四:环境如何分工

环境 最能观察什么 主要额外代价 建议用途
ToolSandbox 嵌套前置条件、错误恢复、里程碑 状态与中间约束需要核查 最小机制测试候选
AppWorld 多应用状态变化与意外改动 API/代码控制流和隐藏 evaluator 更丰富副作用验证候选
τ²-bench 用户与 Agent 共同操作 模拟用户误差与双方信息差 协作任务候选
TaskBench 任务分解、工具图与参数 静态结构不能替代在线执行 结构/计划指标参照
PlanBench 动作约束与形式验证 真实 API 噪声较少 结构与词汇解耦实验
ScienceWorld 实验步骤与物体状态 跨领域 grounding 和环境接入 机制迁移验证
WebArena / WorkArena 网页动作与流程 部署、界面与 grounding 后续外部验证
OSWorld 跨应用电脑操作 感知、定位和运行成本 机制成立后拓展
CivRealm / SAGA 空间关系与共享资源 长周期、部分观察、多模块混杂 资源协调任务的参照

问题五:博客、社区与 X 应怎样影响判断

Manus、Lance Martin 和 12-Factor Agents 提醒我们把状态记录、错误证据、上下文维护及计划开销先做清楚。Karpathy 的分享提供概念入口,AppWorld 作者帖提供资源入口;它们不增加独立的性能证据。

HN 多 Agent 讨论中的上下文隔离案例,与 Cognition 强调完整上下文并不天然矛盾:一个场景需要屏蔽无关网页,另一个场景需要保留共同设计决策。可将任务耦合度与上下文需求作为可测条件,而不是按作者声量选择立场。

问题六:最短而有效的下一步

先挑一类可重放失败,核查少量真实任务是否确实存在“局部失效但其他分支仍有效”的情况。保留相同模型、工具契约和总预算,比较文本状态表、强线性规划、静态图与可编辑图;按需加入 ADaPT、LLMCompiler 或 ReCore 风格对照。

优先看最终状态、重复副作用、无关步骤重做与总成本。只有在图结构干预能改变动作和结果时,再扩大标注、模型与数据规模。细化协议见 研究设计与判别实验,不同时间的工程立场见 研究分歧与时间演进。