AI Agent想必大家都已经相当熟悉了，发展到现在，它的规划、记忆、协调这些核心能力，在处理复杂关系上还是有局限…而这时候，就该轮到Graph上场了。
Graph很会找关联，搭配上Agent的自主决策优势，复杂关系的高效推理、动态决策这些任务能直接拿捏。所以Graph+AI Agents这组合相当受欢迎，不仅应用场景广，学术圈也很热门。
目前这方向在多模态扩展、高效协作、深度推理这三块还有空白，论文er们可以重点考虑。这方向发论文关键还是能否搞出新的智能体协作模式，或是解决重要场景里的图谱推理瓶颈。
我特意按上述三个创新方向，整理了15篇Graph+AI Agent新论文，代码基本都有，旨在帮大家理清思路、找准baseline、搞定创新点。
扫码添加小享，回复“图智能”
免费获取全部论文+开源代码
Enhancing the Patent Matching Capability of Large Language Models via the Memory Graph
方法：论文提出了一种名为MemGraph的方法，通过结合Graph和AI Agents来增强专利匹配能力。它利用记忆图提取专利中的关键实体和概念分类（本体），帮助语言模型更好地理解专利语义，从而提高专利匹配的准确性和推理能力。
创新点：
提出MemGraph框架，用记忆图增强LLMs专利匹配能力，解决模型依赖关键词、忽略分类和关系问题。 利用记忆图提取专利实体和本体，辅助检索与生成，提升LLMs语义理解与匹配精度。 在PatentMatch数据集验证MemGraph有效性，性能超基线模型，泛化能力佳。
A-Mem: Agentic Memory for LLM Agents
方法：论文提出A-MEM记忆系统，用于增强LLM代理记忆管理能力。它动态构建更新知识图谱组织记忆，利用AI代理自主决策管理记忆，能自动识别记忆关联、据新经验更新记忆，实现高效灵活管理。
创新点：
提出A-MEM记忆系统，基于Zettelkasten方法动态构建知识网络，以原子笔记和灵活链接结构化组织记忆。 新记忆添加时，系统自动识别与历史记忆关联并建链接，触发现有记忆上下文更新，实现记忆动态进化。 在长期对话任务中，A-MEM优于现有方法，复杂推理任务表现出色，计算效率更高。
扫码添加小享，回复“图智能”
免费获取全部论文+开源代码
RATT: AThought Structure for Coherent and Correct LLM Reasoning
方法：论文提出了一种叫RATT的思维结构，通过构建思维树（Graph）和利用LLM（AI Agents）的能力，结合事实核查和策略规划，动态优化推理过程，提升LLM在复杂任务中的逻辑连贯性和决策效率。
创新点：
提出RATT结构，结合思维树和检索增强生成，提升LLM推理的逻辑性和准确性。 在每个推理步骤中融入事实核查和策略评估，动态优化思维树结构。 实验验证了RATT在多种任务中优于现有方法，显著提高逻辑连贯性和决策效率。
MAGNNET: Multi-Agent Graph Neural Network-based Efficient Task Allocation for Autonomous Vehicles with Deep Reinforcement Learning
方法：论文提出了一种名为MAGNNET的框架，用于多智能体系统中的任务分配。它结合了GNN和深度强化学习，通过集中训练和去中心化执行的方式，让无人机和地面机器人在3D环境中高效分配任务，减少冲突并优化总旅行时间。
创新点：
提出MAGNNET框架，结合GNN和DRL，实现异构多智能体系统去中心化任务分配。 训练用全局批评器优化，执行时智能体依局部观测和GNN消息传递独立运行，去中心化决策。 实验表明，该方法任务分配成功率和总旅行时间近集中式方法，可扩展性好，能动态响应任务。
扫码添加小享，回复“图智能”
免费获取全部论文+开源代码
