现在的 Agent 已经很会调用工具了。但“会调用工具”和“会把事情做对”，其实是两回事。
一个 Agent 可以知道怎么搜索、怎么读网页、怎么调用 API，却依然可能在长任务里出现这些问题：该检查的时候直接提交； 该等待的时候重复执行； 做着做着忘了自己现在走到哪一步。

Google、Georgia Tech 和北大的研究者最近提出了一个新概念：Procedural Graph。
它想解决的不是“Agent 知道什么”，而是：Agent 下一步应该做什么。

如果 Knowledge Graph 解决的是：“世界是什么？”
那么 Procedural Graph 解决的是：“下一步该做什么？”
它把 Agent 的行动组织成一张图：Search → Verify → Answer
但每条边不只有连接关系，还会带上：
- Condition：什么时候该走这一步
- Guidance：应该怎么做
- Pitfalls：有哪些坑
所以它表达的不是简单的“A 后面是 B”，而是：什么情况下，从 A 去 B 才是合理的。
更重要的是，它不是固定 Workflow。

Agent 每完成一步，系统只取当前位置附近的一小块 Local Graph，生成当前最相关的行动建议，再由模型自己决定下一步。

论文实验发现：把整张 Graph 全塞给模型，效果反而可能更差。
真正有效的是：只告诉 Agent，它当前位置附近有哪些合理动作。
而这张 Graph 还可以自己进化。

系统会比较成功和失败的执行轨迹，再自动：增加步骤、删除步骤、修改路径和 Guidance。
新 Graph 必须经过 Validation，效果变好才保留，否则回滚。

所以它形成了一个闭环：Execution -> Trajectory -> Refinement -> Validation -> Evolution
这篇论文真正有意思的地方，不是又发明了一种 Graph。

而是让 Agent 开始学习一种过去很少被显式建模的东西：自己的做事方式。

Knowledge Graph 组织知识，Procedural Graph 开始组织行动，并让agent活起来。

#ProceduralGraph #Google #AgentHarness #Agent自进化 #Agent自演进 #LLM #大模型 #论文解读 #AI反常识howto