图谱动态｜学苑周刊 NO.232

本期将分享近期全球知识图谱相关

行业动态、近期会议、论文推荐

本周推荐的论文是2025.7 arxiv的综述Graphs Meet AI Agents: Taxonomy, Progress, and Future Opportunities，作者来自来自浙江大学、伊利诺伊大学芝加哥分校和MBZUAI等机构合作团队。

简介

复杂AI智能体的出现标志着人工智能能力的一次重大飞跃。这些系统已经从简单的强化学习（RL）智能体演变为由大型语言模型（LLM）和结合这两种范式的混合架构驱动的复杂实体。然而，随着AI智能体处理日益复杂的现实世界任务，它们在处理复杂、非结构化信息和协调多项操作方面面临巨大挑战。在此，图结构应运而生——它提供了一个强大的框架，用于组织和构建数据，可以显著增强智能体的能力。

这项全面的调查研究了图与AI智能体的交叉点，首次系统地回顾了图技术如何赋能现代AI系统的核心功能。该工作引入了一种新颖的分类法，组织了这一快速发展的领域，展示了图如何增强智能体的规划、执行、记忆和协调能力，同时还探讨了智能体如何推动图学习本身的发展。

现代AI应用的复杂性要求采用复杂的信息处理和决策方法。传统的AI智能体，无论是基于强化学习还是大型语言模型，往往难以处理现实世界场景中复杂的关联和依赖。考虑一个必须在庞大知识网络中导航的科学研究智能体，或一个需要理解动态环境中空间关系的机器人系统——这些任务需要的不仅仅是孤立数据点的顺序处理。

背景和动机

图通过提供实体之间关系的显式表示，为这些挑战提供了自然的解决方案。与线性数据结构不同，图可以捕获对智能决策至关重要的复杂相互依赖、层次关系和多方面连接。例如，在任务规划中，图可以表示子任务之间的依赖关系；而在记忆系统中，它则可以维护相关概念和经验之间的关联。

本次调查的动机源于这样一个认识：尽管图学习和AI智能体的各自进展已相当可观，但它们整合的协同潜力仍未得到充分探索。此前的调查研究了强化学习中的图或使用LLM的图学习，但没有一项系统地探讨图如何全面增强AI智能体在其所有核心操作中的功能。

该文链接https://www.alphaxiv.org/zh/overview/2506.18019v3，感兴趣的读者可以关注。