nramosdev · Blog
Procedural Graphs: Agentes LLM que se auto-mejoran con grafos
TL;DR
Procedural Graphs: Agentes LLM que se auto-mejoran con grafos
Los agentes de IA pierden objetivos, repiten acciones y ejecutan herramientas fuera de orden. Google Research acaba de presentar una solución: Procedural Graphs — un grafo dirigido que externaliza el conocimiento procedural del agente de forma inspeccionable y editable, sin reentrenar el modelo. +9 puntos en 3 benchmarks, -70% tokens, auto-evolución con gate de validación.
Capítulos del vídeo
- 00:00 — Los agentes pierden objetivos — estructura vs modelo
- 00:30 — Grafo tetrada (V, E, R, Φ) — Google Research
- 01:06 — Localización 2-hop — guía generativa + integración suave
- 01:38 — +9 puntos en 3 benchmarks — baseline vs subgrafo generativo
- 02:12 — -70.9% tokens — EnterpriseArena supervivencia +28 pts
- 02:40 — Auto-evolución + reparación — refinador LLM + gate de validación
- 03:09 — PG vs Reflexion / AWM / ProPlay — conclusión
El contexto
DATOS CLAVE
Análisis
• +9 puntos en MultiChallenge, GDPval y ALFWorld — una sola mejora arquitectónica
• -70.9% tokens solo por localizar el subgrafo relevante (2-hop)
• 28 puntos más de supervivencia en EnterpriseArena (simulador 132 meses)
Puntos clave
- Ver datos y cifras en el vídeo: https://www.youtube.com/watch?v=7x6JBHj82Ho
- Investigación previa documentada en el pipeline de vídeo (research.md del proyecto)
- Fuentes primarias listadas a continuación
Conclusión
• Repara expertos defectuosos sin heredar errores
Artículo generado automáticamente desde el vídeo publicado en nramosdev. Cada número citado proviene de la investigación verificada del pipeline.