图智能体：概念、建模与研究进展综述
大语言模型通过大规模语料预训练，获得了强大的自然语言理解与生成能力。基于这类模型构建的智能体，以推理与决策为核心，围绕任务目标完成环境感知、计划制定、行动执行，并根据反馈调整行为，形成闭环交互。但当任务涉及多阶段、多工具或持续交互时，仅依赖文本上下文会暴露出诸多局限：可能遗漏关键证据、违反工具调用的顺序约束，或沿用过时的状态信息。因此，系统需要明确记录实体关系、步骤依赖与动态任务状态，并在执行过程中及时更新这些信息。
图结构为解决这一问题提供了清晰的范式：将知识实体、工具、子任务和记忆单元抽象为节点，将语义关联、数据流向、执行依赖和时间关系抽象为边，使分散在文档、任务描述和交互记录中的关系可以被高效查询与更新。这些图结构进一步支撑了智能体的核心环节：知识图谱中的实体连接引导证据检索，工具图中的接口关系限定工具调用组合，任务图中的依赖边约束步骤执行顺序；推理图组织候选思路与中间结论，用于评估与回溯；记忆图关联历史经验，支撑后续检索与复用。
国防科技大学赵翔团队与天津大学王鑫团队合作发表的综述，提出了“图智能体”的概念，描述了以图结构为核心组织形式的智能体范式。在这类系统中，至少存在一个图的拓扑关系，会对信息获取、行为生成或状态维护的某一环节产生直接的结构性约束。研究以图实例为分析单位，根据其功能定位与嵌入位置，归纳出图智能体的三类核心功能角色：
- 图用于环境建模：负责组织外部知识、工具关系和环境状态，为智能体提供信息基础。
- 图用于依赖建模：表达子任务之间的执行依赖、资源约束以及智能体间的协作关系，保障任务有序推进。
- 图用于思维建模：组织候选假设、中间结论和交互经验，支撑智能体的推理展开与长期记忆维护。
同一图智能体系统可以包含多个图实例，分别承担不同的功能角色。上述综述按照这三类功能角色梳理了相关研究，形成了图智能体的研究方向划分及代表性工作框架。各类典型图结构的节点、边含义，以及图如何参与智能体的信息获取、任务执行与状态维护，将沿该分类框架展开分析。
图1 图智能体组织架构
环境建模：组织智能体面对的外部世界
智能体执行任务时，需要查找任务相关信息、选择合适的工具，并识别当前环境状态。图智能体通过环境建模，将外部知识、工具关系和环境状态组织为图结构，使信息获取、工具选择与行动规划能够在显式关系约束下展开。
在知识环境表示方面，一类方法从原始文本出发，通过语义聚合、实体抽取或层次建模构建可检索的结构。RAPTOR算法利用递归聚类和摘要生成建立层次化语义树，使检索可以在不同信息粒度之间灵活切换；GraphRAG则从文档中提取实体及其关系，通过社区划分和摘要生成整合跨文档信息，其索引与查询流程分为两个阶段：索引阶段完成实体抽取、社区划分与摘要生成，查询阶段处理相关社区摘要并汇聚答案，部分跨文档信息整合被前置到索引阶段，在线查询可直接利用已形成的语义结构。在此基础上，GRAG、FG-RAG和KG-Retriever等方法，通过子图检索、实体扩展或多层图索引，进一步组织查询相关的多跳证据。
图2 GraphRAG两阶段索引查询
另一类方法基于预先构建的知识图谱，利用既定的实体关系拓扑组织检索。HippoRAG通过图上的关联传播激活跨文档证据；ToG系列方法则通过关系选择、实体扩展和候选筛选控制搜索路径，逐步引入图文协同检索与动态子图选择，图结构直接决定了候选证据的连接与访问方式。
图还可用于构建行动环境。ToolFlow和ToolNet将工具及其调用关系表示为图，使工具链规划受到输入输出关系和调用顺序的约束；ControlLLM进一步将工具节点与资源节点组织为有向二分图，利用资源类型匹配限定可行工具链，为接口合法性检查提供依据。
对于涉及现实场景理解与行动规划的任务，图的建模对象转向场景实体及其交互关系。GraphAD用场景图表示交通参与者、道路元素与交互关系；Graphormer将风险关系纳入任务规划；SceneCraft则将场景关系映射为可计算的空间约束，用于三维布局生成，图中的关系由此参与环境理解、风险判断和行动选择。
环境建模的主要价值体现在三个方面：
- 分散知识通过实体关系、语义层次或证据子图被组织起来，便于检索与整合。
- 工具之间的接口、资源和调用关系能够被显式检查，保障工具调用的合法性。
- 环境中的空间关系与安全约束能够参与行动规划，提升决策的合理性。
依赖建模：组织任务分解与协作执行
外部环境的结构化表示能够界定证据来源与行动范围，但复杂目标的完成还取决于子任务之间的衔接，以及执行主体之间的分工。图智能体的依赖建模关注子任务之间的执行依赖与智能体之间的协作关系，利用任务图和协作拓扑组织执行过程。
在多智能体系统中，图节点对应智能体，边表示通信或协作关系。当任务需求、角色配置或执行阶段变化时，连接关系需要随之调整以匹配信息交互需求。相关研究主要从拓扑优化与任务驱动的结构生成两个方向展开：CommFormer将通信拓扑纳入策略优化，AgentPrune通过连接剪枝减少冗余交互，G-Designer则生成与任务相适应的稀疏通信图；ARG-DESIGNER和DyLAN等方法进一步依据任务语义或执行表现配置角色与连接，使协作结构能随任务需求动态变化。
在任务组织层面，复杂目标被表示为由子任务节点和依赖边构成的任务图，节点记录执行单元及其条件，边表达前置关系和资源依赖。DynTaskMAS将自然语言任务分解为带有依赖关系的任务图，再结合任务结构、资源条件与执行需求配置协作关系，其任务图刻画子任务之间的依赖，协作图刻画执行主体之间的分工与交互，执行反馈用于识别受影响的结构并触发局部重构。
图3 DynTaskMAS动态任务驱动的协作组织
DART-LLM利用大语言模型提取子任务及其依赖关系，生成结构化任务表示，系统据此构建有向无环图，通过图遍历规则完成任务分配与执行；ChatSOP则将标准操作流程表示为显式约束图，引导模型在流程约束下进行搜索与规划。这些方法形成了清晰的分工：语言模型负责理解任务和生成结构化表示，图搜索与依赖调度机制负责检查执行条件、选择可行节点和组织步骤衔接。
依赖建模的主要价值体现在：
- 复杂目标被分解为具有明确依赖关系的子任务，降低了任务执行的复杂度。
- 多智能体的角色分工与通信路径能够随执行需求动态调整，提升协作灵活性。
- 执行顺序、并行范围与局部重规划能够依据任务依赖进行控制，保障任务执行的效率与可靠性。
思维建模：组织推理展开与长期记忆
任务图与协作拓扑能够组织任务执行，但具体决策的形成还涉及推理展开与经验调用。思维建模针对图智能体的内部决策过程，利用思维推理图与记忆图组织中间状态、推理关系和交互经验。
在显式推理结构中，候选假设、中间结论或思考状态被表示为节点，逻辑依赖与推理关系通过边连接。ToT将中间思考组织为树形状态空间，使推理能够在不同分支之间搜索与回退；GoT进一步采用有向图，允许不同思路被聚合、精炼和继续扩展；EGoT将生成、评估与问题提取结合到节点处理过程中，系统根据节点质量与冲突信息调整后续扩展，并通过采样温度调节探索范围，使推理图的演化与中间状态评估相联系。
图4 EGoT推理及采样温度调节
另一类方法将拓扑约束嵌入训练目标或推理流程，在不显式维护完整思维图的情况下组织推理。例如，ToG通过关系与实体选择，使逐步推理遵循知识图谱中的可达路径；SSRL利用图上的可达性信息训练策略网络，引导后续动作选择。这类方法中，显式方法将中间思考作为可操作的图节点，隐式方法则通过关系路径、状态转移或训练信号引导推理展开。
推理还需要利用此前积累的经验，记忆图将交互中的状态、行动和反馈组织为相互关联的记忆单元，使历史信息能够根据当前任务被检索和复用。H-MEM通过层次结构组织不同粒度的经验，A-MEM根据语义关联建立和更新记忆链接，TSM引入时间关系，AriGraph则结合语义记忆与情景记忆记录环境信息；AgentNet进一步将图结构与策略学习结合，通过子图选择组织执行路径，并根据执行反馈更新连接权重，使经验能够参与后续决策。
当记忆被多个智能体共同使用时，其功能扩展到跨主体的经验共享与协同更新。G-Memory通过分层图结构记录交互、任务状态和策略信息，使不同任务与执行主体能够复用已有经验。
记忆的持续维护还涉及新经验的写入和已有关系的更新，MAGMA的快慢双路径机制提供了典型方案：快路径及时将新观测连接到相关节点，慢路径对局部子图进行关系推断、筛选与更新，使记忆内容与关联结构能够持续演化。
图5 MAGMA双路径记忆结构更新
思维建模的主要价值体现在：
- 中间推理状态能够被扩展、评估、聚合与回溯，提升决策的逻辑性。
- 交互经验能够形成持续更新的长期记忆，并参与后续决策，实现经验复用。
- 多个智能体能够共享和复用已有经验，协同维护记忆状态，提升系统整体能力。
图智能体的比较与评测
三类功能角色的建模对象与运行机制不同，图在信息获取、任务执行与内部状态维护中的作用也各有侧重。相关研究从作用位置、结构更新代价、运行开销、可解释性和鲁棒性等维度进行横向比较，图嵌入程度更深并不必然带来更好的任务表现，实际效果仍需结合图质量、更新机制与任务需求判断。
图6 图智能体在统一维度下的横向比较
图智能体的评测进一步检验这些机制在具体任务中的效果：环境建模评估知识检索质量与工具链合法性，依赖建模评估依赖满足率与协作开销，思维建模评估推理一致性与历史经验的召回效果。相关指标被归纳为任务完成效果、长程一致性、图更新成本、工具调用合法性、多智能体通信开销和记忆保持效果六个维度。
围绕这些评测内容，相关研究整理了多跳问答、工具调用、任务分解、网页交互和长期记忆等任务的评测基准、指标与对比设置，从结果质量、过程可靠性和运行代价三个方面考察图智能体的实际表现。
图7 评测基准表
总结
图智能体以图结构组织系统运行，使图拓扑直接约束信息获取、行为生成或状态维护。本文介绍的环境建模、依赖建模和思维建模，分别体现了图智能体在外部信息组织、任务协作执行以及内部推理与记忆维护中的不同机制。同一图智能体系统可以包含多个图实例，分别承担不同功能。结合任务表现、结构约束与运行开销进行比较和评测，可以进一步分析不同图智能体设计的实际效果与适用条件。
