图结构如何重塑大模型智能体系统：一篇综述的五个切面

图结构正在成为大语言模型系统的基础设施——从结构化推理、知识 grounding 到检索与记忆，再到多智能体之间的执行依赖与通信协调。一篇覆盖这些方向的综述提出了操作层面的「角色—位置」分类法，试图回答一个关键问题：当图被引入 LLM 系统时，它到底在哪个环节起作用，又由谁来承担计算。

为什么需要「操作级」的视角

综述指出，理解图在 LLM 系统中的贡献，需要区分三件事：每个图操作的功能是什么、由哪个组件负责计算、输出之后如何被使用。这个区分看似基础，却决定了我们能否把「局部指标提升」和「下游任务表现」分开评估。

在智能体语境下，图的作用进一步扩展：它不只承载知识，还组织执行依赖，把中间观察和保留信息链接到后续决策上。换句话说，图从「表示工具」变成了「调度骨架」。

「角色—位置」（role–locus）分类法中的「角色」指图操作在系统中承担的功能，例如结构化约束、知识索引、执行调度或通信拓扑；「位置」指该操作的计算发生在哪里——是在 LLM 内部隐式完成，还是由外部图算法、图数据库或编排层显式执行。这种区分之所以关键，是因为同一张图在不同位置计算，会带来完全不同的可解释性、可复现性和系统开销：隐式计算难以审计，显式计算则便于追踪但引入额外延迟与维护成本。因此，角色—位置分类法本质上是一种归因工具，帮助研究者定位改进究竟来自图表示本身，还是来自计算主体的切换。

五个环节中的图：角色与位置的分类法

综述提出的「角色—位置」（role–locus）分类法覆盖五个方向，每个方向都对应不同的图操作与计算主体组合。

推理：结构化约束还是提示脚手架

在推理环节，图可以充当结构化约束，也可以只是组织推理步骤的脚手架。综述关注的是图观察与外部计算如何共同引导决策——这决定了图是真正参与了推理过程，还是仅仅在事后整理结果。

知识与证据：grounding 的计算归属

知识 grounding 是图最传统的用武之地。但分类法要求追问的是：图上的计算由谁完成？是模型内部隐式完成，还是由外部图算法显式执行？这一区分直接影响可解释性与可复现性。

知识 grounding（知识接地）指让语言模型的生成内容与外部知识源建立可验证的对应关系，以降低幻觉、提升事实一致性。在图增强的 LLM 系统中，grounding 通常通过将实体和关系组织为知识图谱，再在推理时检索相关子图来实现。关键分歧在于计算归属：一种做法是把子图序列化后送入模型上下文，由模型隐式完成多跳推理；另一种做法是在外部用图算法（如路径查询、子图匹配、图神经网络）显式算出证据链，再交由模型表述。前者灵活但难以追溯推理路径，后者可解释、可复现，却依赖图结构的完整性与查询设计。综述强调这一区分，正是因为它决定了 grounding 结果能否被审计和复用。

检索与记忆：表示与更新的双重视角

检索与记忆环节中，综述比较了记忆的表示方式与更新机制如何支撑后续任务。图在这里既是索引结构，也是记忆演化的载体——静态的图索引与动态的图更新，支持的是不同类型的后续任务。

在图增强的检索与记忆系统中，图索引通常承担近似最近邻之外的语义组织功能：节点可表示实体、文档块或对话片段，边表示共现、因果或时序关系，检索因此可以沿图结构进行多跳扩展而非仅做向量相似度匹配。与之相对，图记忆强调动态更新——随着对话或任务推进，新节点和边被写入，旧边可能被衰减或剪枝。静态图索引适合知识密集型检索，更新成本低但难以反映最新状态；动态图记忆能持续演化，却需要维护一致性、控制图规模膨胀，并决定何时合并或遗忘。综述将表示与更新并置，是为了说明二者支撑的后续任务类型不同，评估时不能混为一谈。

执行：依赖关系如何约束信息流

执行环节的核心是依赖约束。图把任务拆解为带依赖的节点，从而约束执行顺序与信息传递路径。综述强调，这类约束既可能提升可靠性，也可能引入新的调度开销。

依赖感知的执行图通常以有向无环图（DAG）形式组织任务节点，边表示数据依赖或先后约束。这种结构让系统能够识别可并行的分支、确定关键路径，并在某个节点失败时依据依赖关系决定回退范围或重规划策略。与纯链式提示相比，DAG 式编排提升了可靠性和可调试性，因为每个节点的输入输出边界清晰。但代价同样明显：图的构建与维护需要额外开销，调度器要处理并发与状态同步，依赖过细还会导致通信和协调成本上升。综述把这类约束同时视为可靠性来源和开销来源，提醒评估时需将调度成本计入总账。

协调：多智能体通信的组织方式

在多智能体系统中，图承担通信拓扑的角色。谁与谁通信、信息沿什么路径流动，都由图结构决定。这使协调从「提示词工程」问题部分转变为「图设计」问题。

评估框架：把过程诊断和系统成本放回台面

综述的一大贡献是把基准测试、对比设计、过程诊断和系统成本整合进统一的评估框架。其核心立场是：图的引入是否有效，不能只看局部指标，而要看下游任务表现，同时保留结果报告时的条件。

过程诊断的意义在于揭示图机制在哪一步起作用；系统成本的纳入则提醒我们，图计算本身并非免费——额外的结构维护、依赖调度和通信开销都需要被计入。

尚未解决的三个问题

综述最后列出开放挑战：自适应计算与停止（何时该继续扩展图计算、何时该停）、记忆维护（图记忆如何长期保持有效）、以及依赖感知的恢复（执行失败后如何依据依赖关系回退或重规划）。这三个问题都指向同一个现实：图机制的价值高度依赖上下文，而目前缺乏判断「何时有用」的系统性依据。

这篇综述提供的不是结论，而是一套评估词汇——让研究者和工程师在讨论图增强的 LLM 系统时，能说清楚改进发生在哪个组件、哪个阶段。