跳转至

GraphPlanner: Graph Memory-Augmented Agentic Routing for Multi-Agent LLMs

论文信息

  • 作者: Tao Feng, Haozhen Zhang, Zijie Lei, Peixuan Han, Jiaxuan You
  • 提交日期: 2026-04-21
  • 方向: 记忆表示 / 多Agent路由

摘要

LLM路由在整合不同模型优势、平衡效率与性能方面已取得良好效果。然而，现有路由策略依赖单轮分类或语义相似性，忽视了任务之间丰富的关联结构。GraphPlanner引入图记忆架构，将任务依赖和Agent能力建模为二部图，节点代表任务和能力，边编码前置关系和适合度分数。路由器使用图神经网络在任务-能力图上传播信息，不仅能预测当前任务最适合的Agent，还能预测下游任务及哪个Agent应提前准备。

核心贡献

  1. 二部图记忆架构：节点代表任务和能力，边编码前置关系和适合度分数，支持跨任务依赖建模
  2. 图神经网络路由：在任务-能力异构图上传播信息，实现归纳和转导推理
  3. MDP工作流生成：将工作流生成建模为马尔可夫决策过程，每步同时选择LLM主干和Agent角色（Planner/Executor/Summarizer）
  4. 前瞻性路由：考虑任务依赖链而非孤立决策，支持多轮异构Agent协作

方法详解

图记忆结构： - 任务节点：编码任务语义、输入输出类型、时间约束 - 能力节点：编码各LLM/Agent支持的技能、延迟特性、成本 - 边类型：前置依赖边（prerequisite）、适合度边（fitness）、时序依赖边（temporal）

路由过程： 1. 图神经网络编码当前任务上下文和Agent状态 2. 基于注意力机制计算任务-能力匹配分数 3. 考虑下游任务预测，选择有利于全局工作流的Agent组合 4. 输出路由决策 + 预测的后续任务序列

训练：使用强化学习优化路由策略，奖励信号包括任务完成质量、延迟成本、多Agent协作效率。

为什么重要

首次将任务依赖关系引入多Agent LLM路由，使路由决策具有前瞻性。传统单步路由的短视问题在GraphPlanner中得到根本解决，对于复杂的多轮协作场景（代码生成、复杂推理、多工具调用）尤为重要。

与端侧/移动端的相关性

  • GNN计算较重，端侧部署需要图简化或轻量图注意力
  • 适用于边缘服务器级别的多Agent编排
  • 任务-能力图的紧凑表示（稀疏边）可在端侧高效存储和查询
  • 移动端多模型协作（如本地小模型+云端大模型）场景有应用潜力

实验结果

  • 在复杂推理任务上优于单步路由方法
  • 多Agent协作任务中，GraphPlanner的工作流完成率显著更高
  • 归纳推理（未见过的任务组合）表现优于转导方法