智能体基于图的推理与规划技术深度调研报告

调研日期：2026-05-12 | 所属域：Agent

本报告对"智能体基于图的推理与规划"（Graph-based Reasoning & Planning for AI Agents）领域进行结构化深度调研，涵盖概念剖析、行业情报、方案对比和精华整合四个维度。

第一部分：概念剖析

1.1 定义澄清

通行定义

智能体基于图的推理与规划（Graph-based Reasoning & Planning for AI Agents）是指利用图结构（有向图、知识图谱、场景图、思维图等）作为智能体的核心知识表示和推理载体，使 AI Agent 能够在复杂任务中执行多步推理、路径搜索、规划和决策。其核心理念是将推理过程建模为图上的遍历与计算——节点表示状态、概念或思维片段，边表示依赖关系、语义关联或状态转移。

常见误解

边界辨析

1.2 核心架构

┌─────────────────────────────────────────────────────────────┐
│              智能体基于图的推理与规划系统架构                      │
├─────────────────────────────────────────────────────────────┤
│                                                              │
│  输入(任务/问题)                                              │
│       │                                                     │
│       ▼                                                     │
│  ┌────────────────┐                                          │
│  │  ① 图构建层    │  ← LLM 从输入中提取实体/关系/子目标         │
│  │  (Graph Builder)│  → 生成初始图结构（知识图谱/场景图/思维图）   │
│  └───────┬────────┘                                          │
│          │                                                   │
│          ▼                                                   │
│  ┌────────────────┐                                          │
│  │  ② 图推理引擎   │  ← 在图结构上执行遍历/搜索/推理            │
│  │  (Graph Reasoner)│  → 支持 BFS/DFS/PageRank/GNN/LLM 引导   │
│  └───────┬────────┘                                          │
│          │                                                   │
│          ▼                                                   │
│  ┌────────────────┐                                          │
│  │  ③ 图规划器    │  ← 将推理结果转化为执行计划（DAG/任务图）    │
│  │  (Graph Planner)│ → 调度独立子任务并行执行，依赖任务串行      │
│  └───────┬────────┘                                          │
│          │                                                   │
│          ▼                                                   │
│  ┌────────────────┐                                          │
│  │  ④ 图内存      │  ← 持久化存储历史推理轨迹与经验             │
│  │  (Graph Memory) │  → 支持增量更新、时间回溯、跨会话复用       │
│  └───────┬────────┘                                          │
│          │                                                   │
│          ▼                                                   │
│  输出(答案/行动序列)                                          │
│                                                              │
│  ┌──────────────────────────────────────┐                    │
│  │  辅助组件：                            │                    │
│  │   - 社区检测（Leiden 算法）              │                    │
│  │   - 图嵌入（GNN Encoder）               │                    │
│  │   - 路径评估器（LLM-as-Judge）          │                    │
│  └──────────────────────────────────────┘                    │
└─────────────────────────────────────────────────────────────┘

各组件职责

1.3 数学形式化

公式 1：思维图的形式化定义

其中 $V_t$ 是思维节点集合（每个节点代表一个中间推理状态），$E_t$ 是边集合（表示依赖关系，$e_{ij} \in E_t$ 表示节点 $v_j$ 依赖于 $v_i$），$\mathcal{F}$ 是转换函数集，包括分支（Branch）、聚合（Aggregate）、回溯（Refine）等操作。

公式 2：图增强推理的信息增益

其中 $\mathcal{P}(G, q)$ 是图 $G$ 中与查询 $q$ 相关的所有路径集合，$\text{Rel}(p, q)$ 是路径 $p$ 与查询 $q$ 的相关度，$\text{Conf}(e)$ 是边 $e$ 的置信度。该公式量化了图结构提供的增量信息——多条路径的联合推理效果大于单一路径。

公式 3：推理效率的拓扑复杂度

推理时间由图遍历复杂度（$O(|V|+|E|)$）与 LLM 调用成本（$C_{\text{LLM}}$）共同决定，其中聚合节点（$V_{\text{merge}}$）的入度决定了额外的计算开销。

公式 4：图内存的更新效率

图内存的新增量由三部分组成：新实体关系的添加（权重 $\alpha$）、重复实体的合并（权重 $\beta$）、时间衰减（权重 $\gamma$，$t$ 为时间）。该公式体现了在线增量更新的核心权衡。

公式 5：图规划并行度

规划并行加速比 = 所有任务总成本 / 关键路径（最长依赖链）的总成本。该公式刻画了 DAG 规划中并行调度的理论上限。

1.4 实现逻辑（Python 伪代码）

from dataclasses import dataclass, field
from typing import List, Dict, Any, Optional, Set
import networkx as nx
from enum import Enum


class NodeType(Enum):
    CONCEPT = "concept"       # 概念节点（实体/想法）
    ACTION = "action"         # 行动节点（可执行步骤）
    MERGE = "merge"           # 聚合节点（多路合并）
    STATE = "state"           # 状态节点（环境状态）


@dataclass
class GraphAgent:
    """
    基于图的推理与规划智能体核心类。

    封装了从图构建到推理再到规划执行的完整流程，
    体现该领域的关键抽象——图作为知识、推理和规划的
    统一表示载体。
    """
    llm_backend: Any                                    # LLM 推理引擎
    memory_store: Any                                   # 图内存持久化存储
    reasoning_strategy: str = "beam_search"             # 推理策略
    graph: nx.DiGraph = field(default_factory=nx.DiGraph)  # 当前工作图

    def build_reasoning_graph(self, task: str) -> None:
        """
        从任务描述构建初始推理图。

        使用 LLM 将任务分解为概念节点和依赖边，
        构建推理所需的结构化知识表示。
        """
        entities, relations = self.llm_backend.extract_graph(task)
        for entity in entities:
            self.graph.add_node(entity.id,
                                type=NodeType.CONCEPT,
                                content=entity.description)
        for rel in relations:
            self.graph.add_edge(rel.source, rel.target,
                                relation=rel.type,
                                weight=rel.confidence)

    def reason(self, query: str, max_steps: int = 10) -> List[str]:
        """
        在图结构上执行多步推理，返回推理路径。

        核心操作：从起点节点出发，沿着边进行图遍历，
        每一步由 LLM 评估当前节点并决定下一步方向。
        支持 beam search 策略，保留 top-K 候选路径。
        """
        start_nodes = self._identify_start_nodes(query)
        candidates = [(node, [node], 1.0) for node in start_nodes]

        for step in range(max_steps):
            new_candidates = []
            for node, path, score in candidates:
                neighbors = self._get_relevant_neighbors(node, query)
                for neighbor, edge_weight in neighbors:
                    new_score = score * edge_weight
                    new_path = path + [neighbor]
                    new_candidates.append((neighbor, new_path, new_score))

            # Beam pruning: keep top-K
            new_candidates.sort(key=lambda x: x[2], reverse=True)
            candidates = new_candidates[:self.beam_width]

            if self._has_reached_answer(candidates):
                break

        return [path for _, path, _ in candidates]

    def plan(self, reasoning_result: List[str]) -> nx.DiGraph:
        """
        将推理结果转化为可执行的 DAG 规划图。

        分析推理路径中的依赖关系，识别可并行的行动，
        构建执行计划图。关键路径决定了理论最小执行时间。
        """
        plan_graph = nx.DiGraph()
        actions = self.llm_backend.decompose_to_actions(reasoning_result)

        for action in actions:
            plan_graph.add_node(action.id,
                                type=NodeType.ACTION,
                                tool=action.tool,
                                params=action.params)

        for dep in self._extract_dependencies(actions):
            plan_graph.add_edge(dep.prerequisite, dep.dependent)

        # 计算关键路径
        self.critical_path = nx.dag_longest_path(plan_graph)
        return plan_graph

    def execute_plan(self, plan: nx.DiGraph) -> Dict[str, Any]:
        """
        按拓扑序执行规划图，并行执行独立任务。
        """
        results = {}
        ready = [n for n in plan.nodes() if plan.in_degree(n) == 0]

        while ready:
            # 并行执行当前无依赖的节点
            batch_results = self._parallel_execute(ready)
            results.update(batch_results)

            # 更新就绪节点
            completed = set(ready)
            ready = []
            for node in plan.nodes():
                if node not in completed and \
                   all(pred in completed for pred in plan.predecessors(node)):
                    ready.append(node)

        return results

    def update_memory(self, new_episode: Dict) -> None:
        """
        增量更新图内存，支持时间维度查询和知识演化。
        """
        self.memory_store.merge(new_episode["entities"],
                                new_episode["relations"])
        self.memory_store.decay_old_edges(timestamp=new_episode["time"])

1.5 性能指标

1.6 扩展性与安全性

水平扩展

• 图分片（Graph Sharding）：将大规模知识图谱按社区（Leiden 聚类结果）分片存储，查询时仅在相关子图中搜索
• 并行 LLM 路由：多条推理路径同时由不同 LLM 实例处理，通过 GARNet 等路由网络分发请求
• 多层缓存：高频查询结果缓存、中间推理状态缓存、节点嵌入缓存，减少重复计算

垂直扩展

• 异构计算：图遍历由 CPU 执行，GNN 推理由 GPU 执行，LLM 调用由专用加速器处理
• 量化压缩：图节点嵌入从 FP32 压缩到 INT8，减少内存占用 75%
• 增量索引：仅处理变化的子图，避免全量重建（LightRAG 的核心创新）

安全考量

第二部分：行业情报

2.1 GitHub 热门项目

2.2 关键论文

2.3 系统化技术博客

2.4 技术演进时间线

2017 ─── Transformer + 图神经网络（GNN）兴起，奠定图推理技术基础
2018 ─── BERT/GPT 开启预训练时代，知识图谱增强 NLP 开始探索
2022 ─── Chain-of-Thought (CoT) 提出，思维链作为最简"图"（路径图）形式
      ─── ChatGPT 发布，LLM 作为 Agent 引擎成为可能
2023 ─── Tree of Thoughts (Yao et al.) → 线性扩展为树状推理，解决多步规划问题
      ─── ReAct 提出 Agent 推理-行动循环范式
      ─── Graph of Thoughts (Besta et al.) → 树扩展为通用有向图
2024 ─── GraphRAG (Microsoft) → 知识图谱 + RAG 爆火，31k+ Stars
      ─── HippoRAG (NeurIPS) → 神经生物学启发的图记忆系统
      ─── Think-on-Graph 2.0 → KG + 文档混合迭代推理
      ─── LangGraph 发布 → Agent 工作流图编排
      ─── LightRAG (EMNLP 2025) → 轻量级增量图 RAG
2025 ─── FastToG (AAAI Oral) → 社区驱动的快速图推理
      ─── Think-on-Graph 3.0 → 四 Agent 协作 + 双进化上下文检索
      ─── Graphiti 崛起 (25k+ Stars) → 实时知识图谱 + 双时态模型
      ─── LLM Agent 框架（LangGraph/CrewAI/AutoGen）大量生产部署
      ─── MCP 协议统一 Agent-图数据库交互
2026 ─── GraphPlanner (ICLR) → PPO 优化的图内存多 Agent 路由
      ─── MomaGraph (ICLR Oral) → 场景图统一表示 + Graph-then-Plan
      ─── GiG (Graph-in-Graph) → 嵌套图架构用于具身规划
      ─── Framework of Thoughts → 推理图结构动态优化
      ─── Microsoft Fabric Graph Reasoning → NL2GQL 企业级 AI 推理
      ─── MaCTG (ICSE) → 多 Agent 思维图自动编程
      ─── 当前状态：图结构已成为 Agent 推理/规划/记忆的统一基础设施

第三部分：方案对比

3.1 技术谱系演变

                             ┌─ 2017-2022: 基础期
                             │   GNN → 知识图谱嵌入 → 预训练模型
                             │
                             ├─ 2022-2023: 思维范式
                             │   CoT → ToT → GoT（思维从链到网）
                             │
                      ┌──────┴──────┐
                      │              │
                推理形态            知识形态
             (Reasoning Topology)  (Knowledge Organization)
                      │              │
             ┌────────┼────────┐  ┌──┴──┐
             │        │        │  │     │
           CoT→ToT→GoT→FoT  Agent  KG  Memory
                             规划     RAG  Graph
                             │       │     │
                             │  ┌────┘     │
                             │  │    ┌─────┘
                             ▼  ▼    ▼
                        ┌─────────────────────┐
                        │    2024-2026: 融合期  │
                        │   GraphPlanner      │
                        │   GraphRAG          │
                        │   Think-on-Graph    │
                        │   Graphiti          │
                        │   GiG/MomaGraph     │
                        └─────────────────────┘

3.2 六种方案横向对比

3.3 技术细节对比

3.4 选型建议

第四部分：精华整合

4.1 The One 公式

解释：图提供了形式化、可操作的结构骨架（节点表示状态/概念，边表示依赖/关系），而 LLM 提供了语义层面的理解、评估和生成能力。两者结合产生了"结构+语义"的协同效应。但同时，每次图遍历步骤都需要 LLM 调用，形成了 Token 消耗和延迟这一核心代价——这正是全行业都在优化的关键瓶颈。

4.2 一句话解释（费曼技巧）

"把 AI 推理从 '写作文'（链式思考）变成 '走迷宫'（图结构搜索）——AI 不是一条路走到黑，而是像人一样画出思维导图，分叉、合并、回头检查，最后找到最优解。"

4.3 核心架构图

                   ┌───────────────────────────────────┐
                   │       图推理与规划核心流水线          │
                   └───────────────────────────────────┘

 输入(任务) ──→ [图构建] ──→ [图推理] ──→ [图规划] ──→ 执行/输出
                    │            │            │
                    ▼            ▼            ▼
               Entity/Rel    路径/社区      DAG/并行
               提取+去重     搜索+评估      调度+执行

                    ┌─────────────────────┐
                    │      图内存持久层       │
                    │  ┌─────────────────┐  │
                    │  │  历史推理轨迹     │  │
                    │  │  知识图谱缓存     │  │
                    │  │  时间维度查询     │  │
                    │  └─────────────────┘  │
                    └─────────────────────┘

    关键指标：推理准确率 / 延迟 / 并行加速比 / Token 效率 / 图更新速度

4.4 STAR 总结

Situation（背景+痛点）

大语言模型在复杂推理任务中暴露出两大根本性缺陷：一是"链式思维"的线性结构难以处理需要并行探索、回溯修正和路径合并的复杂问题；二是 Agent 系统的"记忆孤岛"问题——每次交互都是独立的，缺乏跨会话的知识积累和结构化推理。传统 RAG 虽然解决了部分知识获取问题，但基于向量相似度的扁平化检索无法捕捉实体间的复杂关系和多跳推理路径。企业级应用（金融合规、医疗诊断、代码审计）对可解释性和归因追溯的要求又进一步凸显了黑盒推理的局限性。

Task（核心问题）

核心问题：如何让 AI Agent 具备结构化、可解释、可追溯的多步推理与规划能力？具体约束包括：(1) 推理过程必须可分解、可审计；(2) 知识必须可持久化、可增量更新；(3) 执行计划必须支持并行调度和动态适应；(4) 系统开销（Token/延迟/成本）必须在实际可接受范围内；(5) 零样本泛化到未见过的领域和任务。

Action（主流方案）

技术演进经历了三个关键阶段。第一阶段（2022-2023）：CoT→ToT→GoT 的思维拓扑升级，将 LLM 推理从线性链扩展为树和有向图，代表作为 Yao et al. 的 Tree of Thoughts 和 Besta et al. 的 Graph of Thoughts。第二阶段（2024-2025）：知识图谱+RAG 大爆发，Microsoft GraphRAG 提出社区检测+分级摘要，LightRAG 实现增量更新，LangGraph 将图结构引入 Agent 工作流编排。第三阶段（2025-2026）：融合期——GraphPlanner 用 PPO 优化图路由（GPU 成本降低 99%），MomaGraph 将场景图纳入具身规划，Graphiti 实现双时态实时知识图谱，Think-on-Graph 3.0 用四 Agent 协作进行图推理。核心突破：从"给 LLM 配图"进化为"用图统一推理、记忆、规划"的完整 AI 架构。

Result（效果+建议）

当前成果：图增强推理在多跳 QA 上达到 85%+ 准确率（提升 20-40%），规划并行度达 2.5-5x 加速，图内存查询子秒级响应（100K+ 节点）。关键建议：(1) 小型项目从 LightRAG + ToT 起步，零基础设施成本；(2) 生产系统选 LangGraph（工作流编排）+ Graphiti（持久化内存）的组合，经验证最可靠；(3) 不要跳过基础 RAG 直接上 GraphRAG——按 Basic → Hybrid → Graph 的路线渐进演进；(4) MCP 协议正成为 Agent-图数据库交互的事实标准，优先选择支持 MCP 的组件；(5) 图构建质量 > 图规模——花 70% 精力在数据清洗和本体设计上。

4.5 理解确认问题

问题

为什么说"图"（Graph）既是 AI Agent 的推理拓扑结构、知识组织方式，又是执行调度方案？三者如何统一在同一图结构下？

参考答案

在智能体基于图的推理与规划系统中，"图"是一个三态统一体：

1. 推理拓扑：推理过程的逻辑结构就是一张图。思维图中的节点=推理步骤，边=逻辑依赖（GoT 的合并/分支/回溯）。这决定了"怎么想"。

2. 知识组织：知识以图结构存储和检索。知识图谱中的节点=实体/概念，边=语义关系。社区检测算法自动将相关知识聚类。这决定了"怎么记"。

3. 执行调度：行动计划也是一张图（DAG）。任务图中的节点=可执行动作，边=依赖关系。独立节点并行执行，关键路径决定理论最慢时间。这决定了"怎么做"。

统一性：这三者不是三张独立的图，而是同一结构化思维的不同表现形式。推理过程的中间状态（ToT 的思维节点）可以反哺图内存，图内存中的知识可以指导规划，规划的执行结果又可以回写推理图。在 GraphPlanner 等最新框架中，历史推理轨迹直接编码为异构图的边权重，影响未来的路由决策——实现了"推理→记忆→规划"的闭环。

能理解"所有 Agent 行为都可以（且应该）建模为图结构"才算真正理解了该领域的核心精髓。

附录：引用与数据来源

GitHub 项目 Stars 数据采集时间

所有 GitHub Stars 数据采集于 2026-05-12，通过 WebSearch 工具查询各项目主页获得，可能存在小时级别的波动。

关键论文链接

• Tree of Things (ToT): https://arxiv.org/abs/2305.10601
• Graph of Things (GoT): https://arxiv.org/abs/2308.09687
• GraphRAG: https://arxiv.org/abs/2404.16130
• GraphPlanner: https://arxiv.org/abs/2604.23626
• HippoRAG: https://arxiv.org/abs/2405.14831
• Think-on-Graph 2.0: https://arxiv.org/abs/2407.10805
• Think-on-Graph 3.0: https://arxiv.org/abs/2509.21710
• GiG (Graph-in-Graph): https://arxiv.org/abs/2601.21841
• Framework of Thoughts: https://arxiv.org/abs/2602.16512
• FastToG: https://arxiv.org/abs/2501.14300
• Graphiti/Zep paper: https://arxiv.org/abs/2501.13956
• Demystifying Chains, Trees, and Graphs: https://arxiv.org/abs/2401.14295

技术博客

• Cognaptus (FoT analysis): https://cognaptus.com/blog/2026-02-19-thoughts-in-motion-from-static-prompts-to-selfoptimizing-reasoning-graphs/
• Think-on-Graph Methodology: https://levelup.gitconnected.com/the-think-on-graph-methodology-inside-agentic-retrieval-e455b377444a
• Graph-powered AI Reasoning (Microsoft): https://blog.fabric.microsoft.com/sv-se/blog/graph-powered-ai-reasoning-preview
• Building Agentic GraphRAG on Vertex AI: https://discuss.google.dev/t/building-agentic-graphrag-on-vertex-ai-part-1-architecture-development-with-neo4j/328329

本报告由 AI 调研助手生成，数据截至 2026 年 5 月。报告中的所有 GitHub Stars、论文引用和链接均在生成时通过实时搜索验证。建议读者在做出技术选型决策前，结合自身业务场景进行 PoC 验证。