論文の概要: Graph Engineering in the Era of LLM Agents: From Individual Intelligence to System Intelligence
- arxiv url: http://arxiv.org/abs/2608.21156v1
- Date: Fri, 21 Aug 2026 14:27:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-24 14:49:32.581889
- Title: Graph Engineering in the Era of LLM Agents: From Individual Intelligence to System Intelligence
- Title（参考訳）: LLMエージェント時代のグラフ工学:個人知能からシステム知能へ
- Abstract要約: LLMは言語ジェネレータから、複雑な長距離タスクが可能な自律エージェントへと進化してきた。
多くのタスクにはヘテロジニアスな専門知識、相互依存サブタスク、並列実行、独立検証、永続状態が必要である。
私たちはこれをシステムインテリジェンス(System Intelligence)と呼び、複数のインテリジェントなコンポーネントを一貫した適応的な全体へと整理し、コーディネートするエージェントシステムの能力である。
- 参考スコア（独自算出の注目度）: 115.91847478507736
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: LLMs have evolved from language generators to autonomous agents capable of complex, long-horizon tasks. This evolution has produced paradigms including Prompt Engineering to elicit model capabilities, Context Engineering to manage information access, Harness Engineering to organize external tools and resources, and Loop Engineering to support continual reflection and self-improvement. Yet as tasks grow more complex, individual intelligence faces a fundamental limit: many tasks require heterogeneous expertise, interdependent subtasks, parallel execution, independent verification, and persistent state, exceeding any single agent's organizational capacity. Augmenting one agent's capabilities or context cannot resolve this architectural mismatch; intelligence must instead be distributed across specialized agents and organized at the system level. We call this System Intelligence: an agent system's ability to organize and coordinate multiple intelligent components into a coherent, adaptive whole pursuing a shared objective. Achieving it requires more than adding agents; it demands explicit structures to organize work, coordinate heterogeneous agents, and maintain evolving execution states. We introduce Graph Engineering, an emerging paradigm for next-generation agent systems. Unlike prior paradigms that mainly optimize individual interactions or agent-level behavior, Graph Engineering constructs explicit, dynamic, evolving graph structures representing tasks, agents, and system states. These abstractions provide a unified foundation for organizing complex objectives, orchestrating heterogeneous agents, modeling system dynamics, and enabling scalable agent evolution. We systematically review the principles, methodologies, and applications of Graph Engineering for LLM agents. Related papers, open-source data, and projects are collected at https://github.com/DEEP-JLU/Awesome-Graph-Engineering.
- Abstract（参考訳）: LLMは言語ジェネレータから、複雑な長距離タスクが可能な自律エージェントへと進化してきた。
この進化は、モデル機能を引き出すPrompt Engineering、情報アクセスを管理するContext Engineering、外部ツールやリソースを組織化するHarness Engineering、継続的なリフレクションと自己改善をサポートするLoop Engineeringなどのパラダイムを生み出した。
多くのタスクは異質な専門知識、相互依存のサブタスク、並列実行、独立した検証、永続的な状態を必要とし、単一のエージェントの組織能力を超えます。
あるエージェントの能力やコンテキストを増大させることで、このアーキテクチャ上のミスマッチを解決できない。
これをシステムインテリジェンス(System Intelligence)と呼び、複数のインテリジェントなコンポーネントを協調的かつ適応的に調整し、共通の目的を追求するエージェントシステムの能力である。
作業の整理、異種エージェントのコーディネート、進化する実行状態の維持を明示的な構造で要求する。
次世代エージェントシステムのための新しいパラダイムであるグラフエンジニアリングを紹介する。
個々のインタラクションやエージェントレベルの振る舞いを主に最適化する従来のパラダイムとは異なり、グラフエンジニアリングはタスク、エージェント、システム状態を表す明示的で動的で進化したグラフ構造を構築している。
これらの抽象化は、複雑な目的を整理し、異種エージェントを編成し、システムのダイナミクスをモデル化し、スケーラブルなエージェントの進化を可能にするための統一された基盤を提供する。
LLMエージェントのためのグラフエンジニアリングの原理,方法論,応用を体系的にレビューする。
関連論文、オープンソースデータ、プロジェクトはhttps://github.com/DEEP-JLU/Awesome-Graph-Engineering.comで収集される。
関連論文リスト
- Focus Is All You Need: Adaptive Goal-aware Attention Orchestration for Multi-Agent Graph Systems [28.41165257733149]
大規模言語モデル(LLM)は、推論、計画、計算、ツール使用のための自律的なエージェントを可能にする。
近年のシステムは、これらのエージェントを特別な相互接続ノードのグラフとして整理するようになっている。
既存のアプローチはしばしばグラフコンポーネントを均一に実行し、無関係または低インパクトなタスクでリソースを浪費する。
textbfAttention Orchestrationは、トークン表現からワークフローレベルのエージェント調整まで、Transformerスタイルの注意を拡大するパラダイムである。
論文 参考訳（メタデータ） (2026-07-26T14:23:33Z) - Swarm Skills: A Portable, Self-Evolving Multi-Agent System Specification for Coordination Engineering [50.72456732323037]
textbfSwarm Skillsは、マルチエージェントのセマンティクスを用いて、Arthhropic Skills標準を拡張したポータブル仕様である。
Swarm Skillsはマルチエージェントを、役割、実行バウンダリ、自己進化のためのビルトインセマンティック構造からなる、一級の分散可能なアセットに変える。
我々は,Swarm Skillsがプログレッシブ開示を通じて,ゼロアダプタのクロスエージェントポータビリティを実現する方法を示す。
論文 参考訳（メタデータ） (2026-05-11T06:26:58Z) - Loosely-Structured Software: Engineering Context, Structure, and Evolution Entropy in Runtime-Rewired Multi-Agent Systems [9.34019956999278]
堅牢なマルチエージェントシステムの構築には、不確実性の下で複雑性を管理するアーキテクチャに重点を置くエンジニアリングの規律が必要である。
本稿では,決定論的論理の構成から実行時エントロピーの管理へと,工学的焦点を移すソフトウェアシステムであるemphLoosely-Structured Software (LSS)を紹介する。
論文 参考訳（メタデータ） (2026-03-16T02:07:34Z) - El Agente Gráfico: Structured Execution Graphs for Scientific Agents [7.47895130442454]
タイプセーフな実行環境内に,大規模言語モデル(LLM)による意思決定を組み込んだ単一エージェントフレームワークであるEl Agente Grficoを紹介する。
我々のアプローチの中心は、科学概念の構造化された抽象化と、型付きPythonオブジェクトとして計算状態を表すオブジェクトグラフマッパーである。
大学レベルの量子化学タスクのスイートにまたがって,自動ベンチマークフレームワークを開発することにより,システムの評価を行う。
論文 参考訳（メタデータ） (2026-02-19T23:47:05Z) - Designing Domain-Specific Agents via Hierarchical Task Abstraction Mechanism [61.01709143437043]
階層型タスク抽象化機構(HTAM)を中心とした新しいエージェント設計フレームワークを提案する。
具体的には、HTAMは、社会的役割のエミュレーションを超えて、代わりに、複数のエージェントシステムを、あるドメインの固有のタスク依存グラフを反映する論理階層に構造化する。
我々は、複雑な地理空間解析に適したマルチエージェントシステムであるEarthAgentとして、このフレームワークをインスタンス化する。
論文 参考訳（メタデータ） (2025-11-21T12:25:47Z) - FELA: A Multi-Agent Evolutionary System for Feature Engineering of Industrial Event Log Data [7.129004248608012]
イベントログデータは、現代のデジタルサービスにとって最も価値のある資産の1つである。
AutoMLや遺伝的手法のような既存の機能エンジニアリングアプローチは、しばしば限定的な説明責任に悩まされる。
複雑なイベントログデータから有意義かつ高性能な特徴を自律的に抽出するマルチエージェント進化システムFELAを提案する。
論文 参考訳（メタデータ） (2025-10-29T06:57:32Z) - A Survey on Agent Workflow -- Status and Future [2.817843718857682]
この調査は、エージェントワークフローシステムの包括的なレビューを提供する。
既存のシステムを機能機能機能とアーキテクチャの2つの重要な側面に沿って分類する。
共通パターン、潜在的な技術的課題、新たなトレンドを強調します。
論文 参考訳（メタデータ） (2025-08-02T04:15:30Z) - Assemble Your Crew: Automatic Multi-agent Communication Topology Design via Autoregressive Graph Generation [91.17994756436259]
大規模言語モデル(LLM)に基づくマルチエージェントシステム(MAS)は、多様な領域にわたる複雑な問題を扱うための強力なソリューションとして登場した。
既存のアプローチは、事前に定義されたエージェントセットとハードコードされた相互作用構造を持つテンプレートグラフ修正パラダイムに依存しているため、基本的に制限されている。
協調グラフをスクラッチから構築することで、このパラダイムを運用する新しい自己回帰モデルであるARG-Designerを提案する。
論文 参考訳（メタデータ） (2025-07-24T09:17:41Z) - Graphs Meet AI Agents: Taxonomy, Progress, and Future Opportunities [117.49715661395294]
データ構造化は、複雑で非組織的なデータをよく構造化された形式に変換することで、有望な役割を果たす。
この調査では、グラフがAIエージェントにどのように権限を与えるかを、初めて体系的にレビューする。
論文 参考訳（メタデータ） (2025-06-22T12:59:12Z) - Large Language Model Agent: A Survey on Methodology, Applications and Challenges [88.3032929492409]
大きな言語モデル(LLM)エージェントは、目標駆動の振る舞いと動的適応能力を持ち、人工知能への重要な経路を示す可能性がある。
本調査は, LLMエージェントシステムを方法論中心の分類法により体系的に分解する。
私たちの作業は、エージェントの構築方法、コラボレーション方法、時間の経過とともにどのように進化するか、という、統一されたアーキテクチャの視点を提供します。
論文 参考訳（メタデータ） (2025-03-27T12:50:17Z) - A representational framework for learning and encoding structurally enriched trajectories in complex agent environments [1.1470070927586018]
人工知能エージェントが最適な決定を行い、それらを異なるドメインやタスクに一般化する能力は、複雑なシナリオで妥協される。
この問題に対処する方法の1つは、世界の効率的な表現を学習することと、エージェントのアクションが状態-行動遷移においてそれらにどのように影響するかに焦点を当てている。
本稿では,エージェントのオントロジーを強化し,従来のトラジェクトリ概念を拡張し,タスク実行のより微妙な視点を提供することを提案する。
論文 参考訳（メタデータ） (2025-03-17T14:04:27Z)
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。