本月研究机构宣布最新报告驻荷兰使馆提醒中国公民阻止接触老鼠 很兴奋为您解答这个问题，，，，，
，让我来帮您详细说明一下。。。品牌授权报修电话，，，，，
，快速上门服务

湖北省恩施土家族苗族自治州恩施市山西省运都会夏县辽宁省沈阳市浑南区吉林省四平市铁西区黑龙江省哈尔滨市巴彦县乌鲁木齐市沙依巴克区山东省淄博市临淄区密云区高岭镇海南省三沙市西沙区黑龙江省鹤岗市江西省鹰潭市余江区福建省厦门市湖里区青海省海北藏族自治州门源回族自治县巴音郭楞蒙古自治州和硕县四川省宜宾市珙县山西省忻州市宁武县四川省宜宾市江安县云南省怒江傈僳族自治州福贡县辽宁省铁岭市清河区密云区古北口镇黑龙江省绥化市明水县北辰区黑龙江省鹤岗市贵州省铜仁市玉屏侗族自治县钦州市山西省临汾市安泽县山西省朔州市山阴县海南省儋州市黑龙江省七台河市桃山区青海省海北藏族自治州门源回族自治县长安区南村镇陕西省汉中市留坝县云南省文山壮族苗族自治州广南县信阳市平桥区甘肃省兰州市四川省乐山市静海区西翟庄镇大兴区贵州省黔南布依族苗族自治州惠水县南开区长虹街道四川省宜宾市江安县许昌市建安区桂林市秀峰区新乐市协神乡陕西省汉中市留坝县广东省广州市越秀区哈密市伊吾县山西省晋都会泽州县蓟州区东二营镇鹿泉区寺家庄镇上海市市辖区嘉定区陕西省汉中市南郑区陕西省汉中市留坝县南开区长虹街道平山县东回舍镇四川省甘孜藏族自治州泸定县黑龙江省鸡西市鸡冠区山东省潍坊市青州市辽宁省铁岭市开原市丰台区宛平城地区青海省海北藏族自治州门源回族自治县喀什地区叶城县甘肃省陇南市武都区喀什地区叶城县山西省长治市襄垣县辽宁省铁岭市开原市鹿泉区寺家庄镇四川省泸州市江阳区湖北省宜昌市宜都会静海区西翟庄镇黑龙江省佳木斯市富锦市山东省聊都会冠县西乡塘区北辰区广源街道洛阳市汝阳县延庆区康庄镇辽宁省沈阳市塔城地区和布克赛尔蒙古自治县隆安县云南省红河哈尼族彝族自治州绿春县山东省烟台市牟平区广东省佛山市三水区四川省德阳市广汉市广东省深圳市密云区古北口镇青海省海西蒙古族藏族自治州德令哈市黑龙江省大兴安岭地区呼玛县赞皇县西龙门乡福建省莆田市城厢区江苏省南京市浦口区门头沟区大峪街道陕西省汉中市留坝县丰台区和义街道防城港市东兴市西藏山南市贡嘎县蚌埠市蚌山区蓟州区东赵各庄镇云南省普洱市景东彝族自治县青海省海南藏族自治州贵德县江苏省徐州市丰县

今日羁系部分披露重大希望给多智能体LLM装上「图影象事情流路由器」，，，，，
，搞定挪用、协作妄想，，，，，
，很兴奋为您解答这个问题，，，，，
，让我来帮您详细说明一下:官方服务专线，，，，，
，支持多品牌报修

蓟州区东二营镇四川省成都会双流区桥西区东华街道甘肃省定西市渭源县延庆区康庄镇云南省玉溪市新平彝族傣族自治县山西省晋都会高平市静海区大邱庄镇湖北省宜昌市秭归县陕西省咸阳市兴平市桂林市秀峰区合肥市庐阳区武清区上马台镇四川省宜宾市翠屏区喀什地区叶城县阿克苏地区拜城县四川省宜宾市珙县平顶山市湛河区四川省遂宁市蓬溪县无极县大陈镇甘肃省庆阳市镇原县四川省广元市山东省青岛市城阳区四川省乐山市隆安县西城区月坛街道平山县宅北乡四川省广安市岳池县内蒙古锡林郭勒盟正镶白旗湖北省宜昌市秭归县辽宁省铁岭市开原市云南省普洱市景东彝族自治县重庆市县巫山县贵州省安顺市普定县昌平区小汤山镇广东省云浮市新兴县四川省广安市岳池县贵州省铜仁市玉屏侗族自治县辽宁省沈阳市甘肃省白银市景泰县山西省吕梁市中阳县重庆市县巫山县福建省三明市梅列区辽宁省本溪市溪湖区门头沟区大峪街道塔城地区和布克赛尔蒙古自治县无极县大陈镇山东省青岛市城阳区井陉县吴家窑乡陕西省咸阳市兴平市陕西省西安市未央区延庆区康庄镇门头沟区大峪街道四川省凉山彝族自治州昭觉县延庆区康庄镇海南省儋州市陕西省宝鸡市千阳县黑龙江省鸡西市鸡冠区桂林市秀峰区平山县上观音堂乡上海市市辖区嘉定区桥西区东华街道延庆区沈家营镇辽宁省向阳市北票市辽宁省沈阳市浑南区湖北省宜昌市宜都会山东省威海市河西区桃园街道陕西省汉中市留坝县江西省吉安市永新县南开区体育中心街道山西省晋都会高平市四川省德阳市广汉市四川省甘孜藏族自治州泸定县广东省珠海市斗门区辽宁省大连市旅顺口区向阳区小关街道江西省九江市武宁县延庆区康庄镇内蒙古鄂尔多斯市康巴什区陕西省宝鸡市眉县山东省泰安市泰山区黑龙江省佳木斯市富锦市桂林市秀峰区辽宁省向阳市北票市山东省德州市齐河县山西省运都会夏县广东省深圳市江苏省南通市启东市平山县上观音堂乡黑龙江省伊春市金林区江苏省连云港市赣榆区重庆市县巫山县江苏省南京市浦口区湖北省宜昌市秭归县喀什地区麦盖提县武清区汊沽港镇辽宁省辽阳市白塔区山东省泰安市泰山区陕西省汉中市留坝县

全球服务区域:百色市田林县福建省厦门市海沧区四川省甘孜藏族自治州青海省海南藏族自治州贵德县四川省凉山彝族自治州昭觉县福建省厦门市海沧区山西省长治市襄垣县平顶山市卫东区银川市贺兰县黑龙江省七台河市桃山区许昌市建安区山西省晋都会泽州县江苏省徐州市丰县广东省广州市越秀区湖北省恩施土家族苗族自治州建始县山西省吕梁市中阳县青海省海南藏族自治州贵德县密云区高岭镇海淀区青龙桥街道辽宁省沈阳市浑南区崇左市宁明县湖北省宜昌市秭归县丰台区宛平城地区和田地区赞皇县西龙门乡江西省九江市武宁县四川省成都会新都区赞皇县院头镇鹿泉区寺家庄镇云南省普洱市景东彝族自治县四川省成都会新都区四川省德阳市广汉市甘肃省天水市秦州区陕西省汉中市南郑区甘肃省陇南市广东省广州市越秀区云南省玉溪市新平彝族傣族自治县陕西省汉中市留坝县山西省忻州市宁武县合肥市瑶海区江西省九江市武宁县山东省烟台市龙口市阿克苏地区新和县山西省晋都会高平市吉林省长春市双阳区蓟州区东二营镇山东省枣庄市台儿庄区清静区南市街道山西省晋中市太谷区黑龙江省哈尔滨市巴彦县海南省？？？？？？谑忻览记帐⌒熘菔泄鹆质行税蚕毓愣≡聘∈行滦讼叵蜓羟『烀诺厍茨鲜写笸ㄇ蕉ド绞形蓝赡省铁岭市清河区湖北省恩施土家族苗族自治州恩施市江苏省南通市启东市陕西省西安市未央区赞皇县院头镇崇左市百色市靖西市江苏省连云港市赣榆区云南省怒江傈僳族自治州福贡县丰台区长辛店镇无极县大陈镇西藏山南市西藏拉萨市达孜区黑龙江省绥化市明水县怀柔区雁栖地区海南省儋州市贵州省安顺市普定县四川省甘孜藏族自治州丹巴县辽宁省铁岭市清河区青海省海南藏族自治州贵德县辽宁省本溪市溪湖区怀柔区龙山街道焦作市中站区蚌埠市龙子湖区贵州省黔东南苗族侗族自治州天柱县青海省海南藏族自治州贵德县洛阳市汝阳县许昌市建安区四川省甘孜藏族自治州焦作市中站区山东省聊都会冠县甘肃省甘南藏族自治州无极县大陈镇山西省运都会夏县吉林省长春市双阳区山东省淄博市临淄区崇左市宁明县陕西省西安市未央区福建省南平市建瓯市江西省景德镇市昌江区湖北省孝感市汉川市山西省朔州市山阴县江苏省南京市浦口区

今日行业报告更新最新政策给多智能体LLM装上「图影象事情流路由器」，，，，，
，搞定挪用、协作妄想，，，，，
，很兴奋为您解答这个问题，，，，，
，让我来帮您详细说明一下:售后服务维修中心电话，，，，，
，支持多渠道服务

天下服务区域：向阳区管庄地区山西省吕梁市岚县云南省红河哈尼族彝族自治州绿春县长安区广安街道静海区西翟庄镇上海市市辖区嘉定区甘肃省天水市秦州区北辰区广源街道陕西省宝鸡市眉县山东省东营市垦利区焦作市沁阳市蓟州区东赵各庄镇哈密市伊吾县贵州省安顺市普定县甘肃省兰州市焦作市中站区福建省南平市南开区长虹街道辽宁省铁岭市开原市行唐县龙州镇福建省漳州市龙海市江西省景德镇市昌江区行唐县龙州镇顺义区空港街道淮南市大通区广东省佛山市三水区辽宁省本溪市溪湖区湖北省宜昌市秭归县云南省文山壮族苗族自治州广南县重庆市县巫山县江苏省镇江市句容市江苏省苏州市相城区洛阳市汝阳县许昌市建安区井陉县测鱼镇陕西省咸阳市兴平市静海区大邱庄镇山东省枣庄市台儿庄区广东省佛山市三水区丰台区长辛店镇密云区高岭镇河东区大直沽街道四川省甘孜藏族自治州九龙县西藏阿里地区日土县元氏县殷村镇湖北省襄阳市襄州区武清区上马台镇山东省聊都会冠县北海市海城区青海省果洛藏族自治州山西省忻州市定襄县内蒙古兴安盟乌兰浩特市福建省厦门市海沧区昌平区回龙观街道昌平区小汤山镇黑龙江省七台河市桃山区大兴区云南省普洱市景东彝族自治县辽宁省铁岭市清河区武清区上马台镇长安区南村镇桥西区东华街道福建省厦门市海沧区隆安县马鞍山市博望区桥西区留营街道阿克苏地区新和县江苏省徐州市新沂市鹿泉区白鹿泉乡赵县沙河店镇塔城地区和布克赛尔蒙古自治县密云区高岭镇和田地区延庆区沈家营镇湖北省宜昌市西陵区丰台区长辛店镇山东省烟台市龙口市陕西省西安市未央区云南省红河哈尼族彝族自治州绿春县甘肃省陇南市山东省东营市垦利区湖北省恩施土家族苗族自治州建始县淮南市大通区云南省丽江市宁蒗彝族自治县辽宁省锦州市义县防城港市东兴市辽宁省大连市旅顺口区顺义区空港街道元氏县苏村乡贵州省黔东南苗族侗族自治州天柱县密云区古北口镇山西省朔州市山阴县福建省厦门市湖里区贵州省安顺市普定县内蒙古呼伦贝尔市阿荣旗桥西区留营街道云南省怒江傈僳族自治州福贡县蓟州区东施古镇江西省吉安市吉安县信阳市平桥区

售后服务上门服务电话，，，，，
，智能分配票据：给多智能体LLM装上「图影象事情流路由器」，，，，，
，搞定挪用、协作妄想

新智元报道

【新智元导读】GraphPlanner通过引入图影象网络，，，，，
，将多智能体LLM的路由历程升级为动态事情流天生。。。不但选择挪用哪个模子，，，，，
，还决议每个模子应肩负的角色，，，，，
，实现使命剖析与协作妄想。。。

当大语言模子从「单模子回覆」走向「多模子协作」，，，，，
，一个新的问题正在浮现：

系统不但需要知道该挪用哪个LLM，，，，，
，还需要知道该让这个LLM饰演什么角色、在什么方法挪用、怎样与其他模子协作。。。

现有LLM Router大多关注query-level的模子选择：给定一个问题，，，，，
，判断该交给Qwen、LLaMA、Gemma、Mixtral照旧其他模子。。。进一步的多轮Router虽然能够举行多次挪用，，，，，
，但通常仍然只是「一连选择模子」，，，，，
，缺少对多智能体协作流程自己的显式建模。。。

对此，，，，，
，University of Illinois Urbana-Champaign（UIUC）的研究职员提出GraphPlanner，，，，，
，将LLM Routing从「选择模子」推进到「天生多智能体事情流」：系统在每一步同时决议挪用哪个模子以及激活哪个智能体角色，，，，，
，并使用图结构影象历史交互与目今事情流状态，，，，，
，从而实现更高效、更可泛化的多模子协作。。。

论文链接: https://arxiv.org/abs/2604.23626

代码链接: https://github.com/ulab-uiuc/GraphPlanner

研究配景

古板Single-Round Router的逻辑很直接：给定一个query，，，，，
，选择一个最合适的LLM往返覆。。。

这种方式简朴高效，，，，，
，但面临重大使命时保存显着限制：它无法剖析使命，，，，，
，也无法组织多个模子之间的协作。。。

Multi-Round Router则进一步允许多次挪用差别模子，，，，，
，例如Router-R1可以在「思索—路由—聚合」的历程中重复挪用多个LLM。。。

但这类要领实质上仍然更关注backbone selection，，，，，
，也就是「下一步该挪用哪个模子」，，，，，
，而没有显式建模多智能系一切中的角色分工与协作结构。。。

现实中的重大使命往往需要更靠近agentic workflow的处理方式。。。例如：

先由Planner将重大问题拆解成子问题；；；

再由多个Executor划分解决差别子使命；；；

最后由Summarizer汇总中心效果并形成最终谜底。。。

GraphPlanner正是围绕这一点提出：Router不应只决议挪用哪个模子，，，，，
，还应决议挪用哪个Agent Role，，，，，
，并动态天生适合目今query的协作事情流。。。

GraphPlanner

GraphPlanner的焦点头脑是将routing历程建模为一个sequential decision-making problem。。。

在每一步，，，，，
，GraphPlanner不再只选择一个LLM，，，，，
，而是选择一个二元行动：

Action = Agent Role + LLM Backbone

研究职员默认界说了三类基础Agent Role：

1. Planner：认真将重大query剖析为若干atomic sub-queries；；；

2. Executor：认真回覆原始query或子问题；；；

3. Summarizer：认真聚合多其中心效果，，，，，
，天生更一致的上下文或最终回覆。。。

因此，，，，，
，GraphPlanner的每一步决议都在回覆两个问题：

目今应该由哪个角色执行？？？？？？应该使用哪个LLM执行？？？？？？

这种设计让Router从一个简朴的「模子选择器」，，，，，
，升级为一个能够构建query-specific agentic workflow的「多智能体妄想器」。。。

关于简朴问题，，，，，
，GraphPlanner可以直接选择Executor一步完成回覆；；；关于重大数学、代码或多跳推理使命，，，，，
，它可以先挪用Planner拆解问题，，，，，
，再挪用多个Executor解决子问题，，，，，
，最后挪用Summarizer汇总推理链路。。。

GraphPlanner的另一个要害立异是引入异构图影象网络GARNet。。。

在多智能体LLM系统中，，，，，
，每次挪用都会爆发富厚的交互信息：query 是什么、哪个模子被挪用、它饰演什么角色、输出了什么效果、本钱是几多、最终是否准确。。。

这些历史 interaction traces 自己就是很是名贵的 routing memory。。。它们能够告诉系统：在相似使命上，，，，，
，哪些模子更适合担当 Planner？？？？？？哪些模子更适合做 Executor？？？？？？哪些角色组合更高效？？？？？？

为此，，，，，
，GraphPlanner构建了两类图影象：

Workflow Memory Graph：纪录目今 query 在本轮推理历程中天生的子问题、角色挪用和中心回复；；；

Historical Memory Graph：纪录已往使命中的query、response、LLM-role交互、accuracy 和 cost 信息。。。

GARNet将query node、response node、LLM-role node以及accuracy-cost edge组织成异构图，，，，，
，并通过共享的role hub nodes毗连目今事情流与历史影象。。。

这样，，，，，
，GraphPlanner在做下一步routing决议时，，，，，
，不但能看到目今query的状态，，，，，
，还能使用历史交互中积累下来的模子能力画像与协作模式。。。

用强化学习训练Agentic Router

由于GraphPlanner的routing workflow包括离散的角色选择、模子挪用、子问题剖析和效果汇总，，，，，
，整个历程难以直接端到端求导。。。

因此，，，，，
，研究职员将workflow generation建模为Markov Decision Process，，，，，
，并使用PPO举行强化学习训练。。。

奖励函数同时思量使命效果与挪用本钱：

最终回覆准确性带来task utility；；；

每一步模子挪用会爆发computational cost；；；

超参数α用于控制accuracy-cost trade-off。。。

换言之，，，，，
，GraphPlanner学到的不是一个牢靠事情流模板，，，，，
，而是一种动态战略：在面临差别 query 时，，，，，
，自顺应决议是否需要妄想、是否需要拆解、挪用几个模子、每个模子饰演什么角色，，，，，
，以及何时汇总并输出最终谜底。。。

实验效果：更强性能、更低训练本钱、更好泛化

GraphPlanner在14个使命、6个领域上举行了系统评估，，，，，
，笼罩Math、Code、Commonsense Reasoning、World Knowledge、Popular Benchmark以及Out-of-domain Testing。。。

实验包括两个阶段：

Phase 1：在用户预界说的agentic workflow中，，，，，
，优化差别agent的LLM backbone选择；；；

Phase 2：同时天生agentic workflow并选择对应的LLM backbone。。。

效果显示，，，，，
，GraphPlanner在两个阶段均显著优于single-round与multi-round router baselines。。。

在Phase 1中，，，，，
，GraphPlanner在牢靠事情流下仍能取得最高平均准确率，，，，，
，说明图影象增强的 routing policy 能更好地为差别agent分配合适模子。。。

在Phase 2中，，，，，
，当系统允许自由天生workflow时，，，，，
，GraphPlanner的优势进一步扩大，，，，，
，相比最强baseline带来约9.3%的平均准确率提升，，，，，
，说明 query-specific workflow generation 比牢靠事情流更适合重大使命。。。

更主要的是，，，，，
，GraphPlanner还展现出优异的效率体现。。。相比Router-R1等RL-based multi-round router，，，，，
，GraphPlanner在训练阶段显著降低GPU compute，，，，，
，并通过轻量级图战略网络实现更高效的routing决议。。。

泛化能力：支持Unseen Tasks与Unseen LLMs

一个好的LLM Router不应只记着训练集中的使命和模子，，，，，
，而应能泛化到新的使命类型和新的LLM backbone。。。

GraphPlanner在out-of-domain使命LogicGrid、MGSM和CommonGen上取得了78%的平均准确率，，，，，
，显着优于 GraphRouter、RouterDC 和 Router-R1 等 baseline。。。

同时，，，，，
，当实验中加入训练阶段未见过的 LLM 时，，，，，
，GraphPlanner 仍能坚持稳固且更优的体现。。。这说明它并不是简朴影象某个模子在某个使命上的标签，，，，，
，而是通过 LLM-role graph 和 historical interaction memory 学到了更可迁徙的协作模式。。。

别的，，，，，
，GraphPlanner 支持两种 inference 方式：

Inductive Setting：不依赖保存的历史交互，，，，，
，安排更轻量；；；

Transductive Setting：使用历史 interaction memory，，，，，
，获得更高性能。。。

这种设计使 GraphPlanner 可以凭证现实安排需求，，，，，
，在效率和性能之间无邪切换。。。

GraphPlanner的焦点孝顺在于，，，，，
，它将LLM Router从古板的backbone selection推进到了agentic workflow generation。。。

已往的Router主要回覆：这个query应该交给哪个模子？？？？？？

GraphPlanner 进一步回覆：

> 这个query应该怎样拆解？？？？？？

> 哪些Agent Role应该加入？？？？？？

> 每个角色应该由哪个LLM执行？？？？？？

> 目今事情流怎样使用历史交互履历？？？？？？

> 怎样在效果与本钱之间取得更优平衡？？？？？？

因此，，，，，
，GraphPlanner不但是一个更强的Router，，，，，
，而是迈向多智能体 LLM 系统自动化编排的主要一步。。。

它让多个异构LLM不再只是被动挪用的工具，，，，，
，而是能够在Planner、Executor、Summarizer等角色下形成结构化协作流程。。。

关于未来的AI基础设施而言，，，，，
，这种ability to plan, route, remember, and coordinate将成为构建可扩展、多模子、多智能系一切的要害能力。。。

参考资料：

https://arxiv.org/abs/2604.23626

编辑：LRST

本月行业报告更新新政策给多智能体LLM装上「图影象事情流路由器」，，，，，
，搞定挪用、协作妄想

新智元报道

【新智元导读】GraphPlanner通过引入图影象网络，，，，，
，将多智能体LLM的路由历程升级为动态事情流天生。。。不但选择挪用哪个模子，，，，，
，还决议每个模子应肩负的角色，，，，，
，实现使命剖析与协作妄想。。。

当大语言模子从「单模子回覆」走向「多模子协作」，，，，，
，一个新的问题正在浮现：

系统不但需要知道该挪用哪个LLM，，，，，
，还需要知道该让这个LLM饰演什么角色、在什么方法挪用、怎样与其他模子协作。。。

现有LLM Router大多关注query-level的模子选择：给定一个问题，，，，，
，判断该交给Qwen、LLaMA、Gemma、Mixtral照旧其他模子。。。进一步的多轮Router虽然能够举行多次挪用，，，，，
，但通常仍然只是「一连选择模子」，，，，，
，缺少对多智能体协作流程自己的显式建模。。。

对此，，，，，
，University of Illinois Urbana-Champaign（UIUC）的研究职员提出GraphPlanner，，，，，
，将LLM Routing从「选择模子」推进到「天生多智能体事情流」：系统在每一步同时决议挪用哪个模子以及激活哪个智能体角色，，，，，
，并使用图结构影象历史交互与目今事情流状态，，，，，
，从而实现更高效、更可泛化的多模子协作。。。

论文链接: https://arxiv.org/abs/2604.23626

代码链接: https://github.com/ulab-uiuc/GraphPlanner

研究配景

古板Single-Round Router的逻辑很直接：给定一个query，，，，，
，选择一个最合适的LLM往返覆。。。

这种方式简朴高效，，，，，
，但面临重大使命时保存显着限制：它无法剖析使命，，，，，
，也无法组织多个模子之间的协作。。。

Multi-Round Router则进一步允许多次挪用差别模子，，，，，
，例如Router-R1可以在「思索—路由—聚合」的历程中重复挪用多个LLM。。。

但这类要领实质上仍然更关注backbone selection，，，，，
，也就是「下一步该挪用哪个模子」，，，，，
，而没有显式建模多智能系一切中的角色分工与协作结构。。。

现实中的重大使命往往需要更靠近agentic workflow的处理方式。。。例如：

先由Planner将重大问题拆解成子问题；；；

再由多个Executor划分解决差别子使命；；；

最后由Summarizer汇总中心效果并形成最终谜底。。。

GraphPlanner正是围绕这一点提出：Router不应只决议挪用哪个模子，，，，，
，还应决议挪用哪个Agent Role，，，，，
，并动态天生适合目今query的协作事情流。。。

GraphPlanner

GraphPlanner的焦点头脑是将routing历程建模为一个sequential decision-making problem。。。

在每一步，，，，，
，GraphPlanner不再只选择一个LLM，，，，，
，而是选择一个二元行动：

Action = Agent Role + LLM Backbone

研究职员默认界说了三类基础Agent Role：

1. Planner：认真将重大query剖析为若干atomic sub-queries；；；

2. Executor：认真回覆原始query或子问题；；；

3. Summarizer：认真聚合多其中心效果，，，，，
，天生更一致的上下文或最终回覆。。。

因此，，，，，
，GraphPlanner的每一步决议都在回覆两个问题：

目今应该由哪个角色执行？？？？？？应该使用哪个LLM执行？？？？？？

这种设计让Router从一个简朴的「模子选择器」，，，，，
，升级为一个能够构建query-specific agentic workflow的「多智能体妄想器」。。。

关于简朴问题，，，，，
，GraphPlanner可以直接选择Executor一步完成回覆；；；关于重大数学、代码或多跳推理使命，，，，，
，它可以先挪用Planner拆解问题，，，，，
，再挪用多个Executor解决子问题，，，，，
，最后挪用Summarizer汇总推理链路。。。

GraphPlanner的另一个要害立异是引入异构图影象网络GARNet。。。

在多智能体LLM系统中，，，，，
，每次挪用都会爆发富厚的交互信息：query 是什么、哪个模子被挪用、它饰演什么角色、输出了什么效果、本钱是几多、最终是否准确。。。

这些历史 interaction traces 自己就是很是名贵的 routing memory。。。它们能够告诉系统：在相似使命上，，，，，
，哪些模子更适合担当 Planner？？？？？？哪些模子更适合做 Executor？？？？？？哪些角色组合更高效？？？？？？

为此，，，，，
，GraphPlanner构建了两类图影象：

Workflow Memory Graph：纪录目今 query 在本轮推理历程中天生的子问题、角色挪用和中心回复；；；

Historical Memory Graph：纪录已往使命中的query、response、LLM-role交互、accuracy 和 cost 信息。。。

GARNet将query node、response node、LLM-role node以及accuracy-cost edge组织成异构图，，，，，
，并通过共享的role hub nodes毗连目今事情流与历史影象。。。

这样，，，，，
，GraphPlanner在做下一步routing决议时，，，，，
，不但能看到目今query的状态，，，，，
，还能使用历史交互中积累下来的模子能力画像与协作模式。。。

用强化学习训练Agentic Router

由于GraphPlanner的routing workflow包括离散的角色选择、模子挪用、子问题剖析和效果汇总，，，，，
，整个历程难以直接端到端求导。。。

因此，，，，，
，研究职员将workflow generation建模为Markov Decision Process，，，，，
，并使用PPO举行强化学习训练。。。

奖励函数同时思量使命效果与挪用本钱：

最终回覆准确性带来task utility；；；

每一步模子挪用会爆发computational cost；；；

超参数α用于控制accuracy-cost trade-off。。。

换言之，，，，，
，GraphPlanner学到的不是一个牢靠事情流模板，，，，，
，而是一种动态战略：在面临差别 query 时，，，，，
，自顺应决议是否需要妄想、是否需要拆解、挪用几个模子、每个模子饰演什么角色，，，，，
，以及何时汇总并输出最终谜底。。。

实验效果：更强性能、更低训练本钱、更好泛化

GraphPlanner在14个使命、6个领域上举行了系统评估，，，，，
，笼罩Math、Code、Commonsense Reasoning、World Knowledge、Popular Benchmark以及Out-of-domain Testing。。。

实验包括两个阶段：

Phase 1：在用户预界说的agentic workflow中，，，，，
，优化差别agent的LLM backbone选择；；；

Phase 2：同时天生agentic workflow并选择对应的LLM backbone。。。

效果显示，，，，，
，GraphPlanner在两个阶段均显著优于single-round与multi-round router baselines。。。

在Phase 1中，，，，，
，GraphPlanner在牢靠事情流下仍能取得最高平均准确率，，，，，
，说明图影象增强的 routing policy 能更好地为差别agent分配合适模子。。。

在Phase 2中，，，，，
，当系统允许自由天生workflow时，，，，，
，GraphPlanner的优势进一步扩大，，，，，
，相比最强baseline带来约9.3%的平均准确率提升，，，，，
，说明 query-specific workflow generation 比牢靠事情流更适合重大使命。。。

更主要的是，，，，，
，GraphPlanner还展现出优异的效率体现。。。相比Router-R1等RL-based multi-round router，，，，，
，GraphPlanner在训练阶段显著降低GPU compute，，，，，
，并通过轻量级图战略网络实现更高效的routing决议。。。

泛化能力：支持Unseen Tasks与Unseen LLMs

一个好的LLM Router不应只记着训练集中的使命和模子，，，，，
，而应能泛化到新的使命类型和新的LLM backbone。。。

GraphPlanner在out-of-domain使命LogicGrid、MGSM和CommonGen上取得了78%的平均准确率，，，，，
，显着优于 GraphRouter、RouterDC 和 Router-R1 等 baseline。。。

同时，，，，，
，当实验中加入训练阶段未见过的 LLM 时，，，，，
，GraphPlanner 仍能坚持稳固且更优的体现。。。这说明它并不是简朴影象某个模子在某个使命上的标签，，，，，
，而是通过 LLM-role graph 和 historical interaction memory 学到了更可迁徙的协作模式。。。

别的，，，，，
，GraphPlanner 支持两种 inference 方式：

Inductive Setting：不依赖保存的历史交互，，，，，
，安排更轻量；；；

Transductive Setting：使用历史 interaction memory，，，，，
，获得更高性能。。。

这种设计使 GraphPlanner 可以凭证现实安排需求，，，，，
，在效率和性能之间无邪切换。。。

GraphPlanner的焦点孝顺在于，，，，，
，它将LLM Router从古板的backbone selection推进到了agentic workflow generation。。。

已往的Router主要回覆：这个query应该交给哪个模子？？？？？？

GraphPlanner 进一步回覆：

> 这个query应该怎样拆解？？？？？？

> 哪些Agent Role应该加入？？？？？？

> 每个角色应该由哪个LLM执行？？？？？？

> 目今事情流怎样使用历史交互履历？？？？？？

> 怎样在效果与本钱之间取得更优平衡？？？？？？

因此，，，，，
，GraphPlanner不但是一个更强的Router，，，，，
，而是迈向多智能体 LLM 系统自动化编排的主要一步。。。

它让多个异构LLM不再只是被动挪用的工具，，，，，
，而是能够在Planner、Executor、Summarizer等角色下形成结构化协作流程。。。

关于未来的AI基础设施而言，，，，，
，这种ability to plan, route, remember, and coordinate将成为构建可扩展、多模子、多智能系一切的要害能力。。。

参考资料：

https://arxiv.org/abs/2604.23626

编辑：LRST

“人工智能应该是造福全人类的国际公共产品”

凯时AG

驻荷兰使馆提醒中国公民阻止接触老鼠