論文の概要: GraphPlanner: Graph Memory-Augmented Agentic Routing for Multi-Agent LLMs

• arxiv url: http://arxiv.org/abs/2604.23626v1
• Date: Sun, 26 Apr 2026 09:38:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.46823
• Title: GraphPlanner: Graph Memory-Augmented Agentic Routing for Multi-Agent LLMs
• Title（参考訳）: GraphPlanner: マルチエージェントLLMのためのグラフメモリ拡張エージェントルーティング
• Authors: Tao Feng, Haozhen Zhang, Zijie Lei, Peixuan Han, Jiaxuan You,
• Abstract要約: GraphPlannerはマルチエージェントLLMのための異種グラフメモリ拡張エージェントルータである。 クエリ毎にルーティングを生成し、インダクティブ推論とトランスダクティブ推論の両方をサポートする。 GraphPlannerは、履歴メモリとワークフローメモリをよりリッチなステート表現に統合する。
• 参考スコア（独自算出の注目度）: 24.37693905714609
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM routing has achieved promising results in integrating the strengths of diverse models while balancing efficiency and performance. However, to support more realistic and challenging applications, routing must extend into agentic LLM settings, where task planning, multi-round cooperation among heterogeneous agents, and memory utilization are indispensable. To address this gap, we propose GraphPlanner, a heterogeneous graph memory-augmented agentic router for multi-agent LLMs that generates routing workflows for each query and supports both inductive and transductive inference. GraphPlanner formulates workflow generation as a Markov Decision Process (MDP), where at each step it selects both the LLM backbone and the agent role, including Planner, Executor, and Summarizer. By leveraging a heterogeneous graph, denoted as GARNet, to capture interaction memories among queries, agents, and responses, GraphPlanner integrates historical memory and workflow memory into richer state representations. The entire pipeline is optimized with reinforcement learning, jointly improving task-specific performance and computational efficiency. We evaluate GraphPlanner across 14 diverse LLM tasks and demonstrate that: (1) GraphPlanner outperforms strong single-round and multi-round routers, improving accuracy by up to 9.3% while reducing GPU cost from 186.26 GiB to 1.04 GiB; (2) GraphPlanner generalizes robustly to unseen tasks and LLMs, exhibiting strong zero-shot capabilities; and (3) GraphPlanner effectively leverages historical memories, supporting both inductive and transductive inference for more adaptive routing. Our code for GraphPlanner is released at https://github.com/ulab-uiuc/GraphPlanner.
• Abstract（参考訳）: LLMルーティングは、効率と性能のバランスを保ちながら、様々なモデルの強みを統合することで有望な結果を得た。 しかし、より現実的で困難なアプリケーションをサポートするために、ルーティングは、タスク計画、異種エージェント間の複数ラウンドの協調、メモリ利用が不可欠であるエージェントLLM設定に拡張する必要がある。 このギャップに対処するため,マルチエージェント LLM 用の異種グラフメモリ拡張エージェントルータ GraphPlanner を提案し,クエリ毎にルーティングワークフローを生成し,帰納的推論と帰納的推論の両方をサポートする。 GraphPlannerはワークフロー生成をMarkov Decision Process(MDP)として定式化し、各ステップでLLMバックボーンとエージェントロール(Planner、Executor、Summarizerなど)を選択する。 クエリ、エージェント、レスポンス間のインタラクションメモリをキャプチャするために、GARNetと呼ばれる異種グラフを活用することで、GraphPlannerは、過去のメモリとワークフローメモリをよりリッチなステート表現に統合する。 パイプライン全体は強化学習に最適化されており、タスク固有のパフォーマンスと計算効率を共同で改善している。 GraphPlannerは186.26 GiBから1.04 GiBに削減し、GPUコストを最大9.3%向上させるとともに、GPUコストを最大9.3%削減する。 GraphPlannerのコードはhttps://github.com/ulab-uiuc/GraphPlanner.orgで公開されています。

関連論文リスト

• GAP: Graph-Based Agent Planning with Parallel Tool Use and Reinforcement Learning [20.75113227786218]
  グラフベースのエージェント計画(GAP)は、グラフベースの計画を通じてタスク間の依存関係を明示的にモデル化する新しいフレームワークである。 我々のアプローチは、複雑なタスクを依存性を意識したサブタスクグラフに分解する基礎モデルを訓練する。 この依存性を意識したオーケストレーションは、実行効率とタスクの正確性の両方で大幅に改善される。
  論文  参考訳（メタデータ） (2025-10-29T09:35:55Z)
• AutoGraph-R1: End-to-End Reinforcement Learning for Knowledge Graph Construction [60.51319139563509]
  強化学習(RL)を用いたタスクパフォーマンスのKG構築を直接最適化する最初のフレームワークであるAutoGraph-R1を紹介する。 我々は2つの新しいタスク対応報酬関数を設計し、1つは知識担体としてのグラフと、もう1つは知識指標としてのグラフを設計する。 私たちの研究は、構築とアプリケーションの間のループを閉じることが可能であることを示している。
  論文  参考訳（メタデータ） (2025-10-17T06:03:36Z)
• GraphCogent: Mitigating LLMs' Working Memory Constraints via Multi-Agent Collaboration in Complex Graph Understanding [13.356521655409422]
  大規模言語モデル(LLM)は、小規模なグラフ推論タスクでは有望な性能を示すが、複雑なクエリで現実のグラフを扱うと失敗する。 グラフ推論を特殊な認知プロセス(センス、バッファ、実行)に分解する協調エージェントフレームワークであるGraphCogentを提案する。
  論文  参考訳（メタデータ） (2025-08-17T14:28:38Z)
• Graph-Augmented Large Language Model Agents: Current Progress and Future Prospects [57.53024716739594]
  グラフ拡張LDMエージェント(GLA)は複雑なエージェントシステムの構造、連続性、調整を強化する。 本稿では,最近の進歩の概要をタイムリーかつ包括的に紹介し,今後の研究の方向性を明らかにする。 本論文は,GLAにおける今後の研究のロードマップとして機能し,GLAエージェントシステムにおけるグラフの役割のより深い理解を促進することを願っている。
  論文  参考訳（メタデータ） (2025-07-29T00:27:12Z)
• Plan-over-Graph: Towards Parallelable LLM Agent Schedule [53.834646147919436]
  大規模言語モデル(LLM)はタスク計画の推論において例外的な能力を示した。 本稿では,まず実生活のテキストタスクを実行可能なサブタスクに分解し,抽象的なタスクグラフを構築する,新しいパラダイムであるプランオーバーグラフを提案する。 モデルはこのタスクグラフを入力として理解し、並列実行計画を生成する。
  論文  参考訳（メタデータ） (2025-02-20T13:47:51Z)
• GraphRouter: A Graph-based Router for LLM Selections [13.463815950807874]
  我々は,Large Language Models (LLMs) の選択を強化するため,グラフと呼ばれる新しい帰納的グラフフレームワークを導入する。 エッジ予測メカニズムを通じて、グラフは潜在的なエッジの属性(LLM応答の効果とコスト)を予測でき、最適化された推奨が可能になる。 実験では、Graphは既存のルータを大幅に上回り、12.3%の最小パフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2024-10-04T18:02:48Z)
• Integrating Graphs with Large Language Models: Methods and Prospects [68.37584693537555]
  大規模言語モデル (LLMs) が最前線として登場し、様々なアプリケーションにおいて非並列の長所を示している。 LLMとグラフ構造化データを組み合わせることは、非常に興味深いトピックです。 本稿では、そのような統合を2つの主要なカテゴリに分岐する。
  論文  参考訳（メタデータ） (2023-10-09T07:59:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。