研究问题

复杂请求可以表示为预定义子任务图上的路径或子图选择。论文追问:LLM 对图结构的理解与自回归生成偏置,是否限制任务规划?

方法与图的作用

正文先分析以边列表输入的 Transformer 表达能力,再讨论图同构不变性、稀疏注意力与自回归训练带来的困难。随后引入 GNN 辅助子任务选择,分别研究无需训练和少量训练的版本。

图节点对应子任务,边对应可连接的任务依赖;它与“把一个任意轨迹画成图”不同。正文在 HuggingGPT 语境及多个规划数据设置下比较图学习方法与直接生成、贪心或搜索基线。

实验证据与边界

本轮阅读 v3 正文的问题定义、理论讨论和实验部分;作者报告收益随任务图规模增长。这里不摘取单一最优数字作为当前模型通用结论,也没有重新运行代码。

对本库的约束

“给 Agent 加 GNN”“使用依赖图规划”都已经不是空白。潜在区别只能建立在真实工具副作用、在线状态改变、修复范围或结构泛化协议上,并与这篇工作的图定义和可见信息逐项比较。

关联阅读

TaskBench:图任务与结构指标;工具图融合领域知识;局部图修复。

原始来源与阅读范围

Wu et al. / arXiv · 2024-05-29。本轮范围:正文重点阅读;采集日期:2026-11-16。来源陈述与本库提出的实验设想在正文中分别说明。