EGL-SCA：用于图推理智能体中协同演化指令与工具的结构信用分配
人工智能
2026-05-12 v1
摘要
图推理智能体需从自然语言输入中解决耦合问题：他们必须从文本重建结构化图实例、决定现有计算资产是否足够、在严格的执行协议下与工具交互，并满足检查结构化正确性而非文本可信度的外部验证器。现有方法通常仅在指令侧或工具侧单独改进，导致不清楚在失败后应更新什么。我们提出 EGL-SCA，一个以验证器为中心的双空间框架，模型化图推理智能体使用两个协作组件：用于推理策略的指令侧策略空间，以及用于可执行算法工具的工具侧程序空间。我们的核心机制是结构信用分配，将轨迹证据映射到条件更新，精确地将失败路由到提示优化或工具合成与修复。为为双空间适应提供充足的学习信号，我们引入按任务族分层的训练分布，并配合一种以 Pareto 形式的保留策略以平衡成功性、通用性和简洁性。 在四个图推理基准测试上进行实验，表明 EGL-SCA 实现了 92.0% 的平均成功率。通过有效地协同演化指令和工具，我们的框架显著优于纯提示式和固定工具箱基准。
引用
@article{arxiv.2605.10366,
title = {EGL-SCA: Structural Credit Assignment for Co-Evolving Instructions and Tools in Graph Reasoning Agents},
author = {Zike Yuan and Yukun Cao and Han Zhang and Jianzhi Yan and Le Liu and Cai ke and Yue Yu and Hui Wang and Ming Liu and Bing Qin},
journal= {arXiv preprint arXiv:2605.10366},
year = {2026}
}