作者为 Griffith Unversity 的刘奕鑫，李世源，潘世瑞，National University of Singapore 的张桂彬，和 Nanyang Technological University 的王琨。
LLM Agent 正以前所未有的速度发展，从网页浏览、软件开发到具身控制，其强大的自主能力令人瞩目。然而，繁荣的背后也带来了研究的「碎片化」和能力的「天花板」：多数 Agent 在可靠规划、长期记忆、海量工具管理和多智能体协调等方面仍显稚嫩，整个领域仿佛一片广袤却缺乏地图的丛林。
我们应如何在一个统一的框架下，突破当前瓶颈，理解并设计这些复杂的智能体系统？
近期，一篇发表在 IEEE Intelligent Systems 全面的综述首次给出了答案。该文创新性地提出，「图」可以作为一种通用语言和强大结构，来系统性地分析和增强 LLM Agent 的各个方面，并正式定义了「图智能体（Graph-augmented LLM Agent, GLA）」这一新兴研究方向。相比纯 LLM 方案，GLA 在可靠性、效率、可解释性和灵活性上均展现出巨大优势。
核心框架：
万物皆可图，为智能体赋予结构
LLM Agent 的核心挑战在于如何处理结构化的信息和流程。而「图」作为一种天然的结构化数据表示，恰好能弥补其不足。
图注：（a） LLM Agent 系统核心组件 （b） 多智能体系统
无论是单个 Agent 内部的工作流，还是多个 Agent 之间的协作关系，都可以被抽象为不同类型的图，如工具图、知识图、智能体交互图等。
图注：LLM Agent 系统中存在的不同类型的图
剖析单个智能体：
规划、记忆与工具的图结构
规划（Planning）：让思考过程「有迹可循」
论文指出，图结构可以从四个层面强化智能体的规划能力：1）将计划本身建模为图，明确子任务依赖；2）将可选的子任务池建模为图，确保规划的可执行性；3）将推理过程建模为图（如思维图），实现更灵活的思考；4）将环境建模为图，为规划提供关键上下文。
记忆（Memory）：构建可演化的长期知识库
为解决 LLM 的记忆瓶颈，图结构提供了两种有效途径：通过「交互图」来记录和组织智能体与环境的互动历史，形成经验；通过「知识图」来存储和检索外部的结构化事实知识。
工具（Tools）：管理和优化工具使用能力
面对海量 API，「工具图」不仅能清晰描述工具间的依赖关系以辅助工具选择，还能通过对图结构的分析，帮助智能体提升自身调用和组合工具的能力。
解析多智能体系统：
协同、效率与可信赖
协同范式（Orchestration）：从「静态」走向「动态」
本综述的一大核心贡献，是将多智能体协同划分为三大范式，清晰地展示了其从「固定」到「适应」再到「演化」的技术演进路线：
（a）静态协同：Agent 间的协作关系固定不变，代表工作如 AutoGen、MetaGPT。
（b）任务动态协同：系统能为不同任务生成特定的协作图，灵活性更强，代表工作如 G-Designer。
（c）过程动态协同：在任务执行中，协作图能根据实时状态不断演化，适应性最强，代表工作如 EvoMAC。
效率优化（Efficiency）：为「臃肿」的团队瘦身
多智能体系统往往面临高昂的成本。论文总结了图论方法如何从三个层面为系统「瘦身」：边冗余（剪枝通信）、点冗余（裁减智能体）和层冗余（避免无效沟通轮次）。
可信赖（Trustworthness）：保障系统的安全可靠
本文还探讨了图在构建可信赖 MAS 中的作用。通过将系统建模为图，可以系统性地分析偏见、有害信息等在网络中的传播方式，并利用 GNN 等技术来检测和预测恶意节点，从而提升整个系统的安全性。
总结与未来展望
这篇综述首次系统性地确立了「图」在 LLM Agent 研究中的核心地位，为「图智能体（GLA）」这一新兴方向提供了统一而强大的分析框架。
论文为 GLA 的未来发展指明了五个关键方向：