长程 Agent 的瓶颈，不只是上下文长度——从 GraphThink 与 Experience Memory Graph 看状态维护、规划约束与错误纠正

一个 Agent 连续执行几十步任务时，最先崩掉的究竟是什么？

很多时候，模型没有忘记知识，但任务状态和依赖关系逐渐失真：哪些步骤已经完成、下一步需要满足什么前提、环境刚刚发生了什么变化、一次失败究竟应该回滚到哪里。GraphThink 与 Experience Memory Graph 两项近期工作都把矛头指向这一问题：与其继续把越来越长的执行历史塞进上下文，不如把其中关键关系显式外置成图。前者让图负责规划约束与环境状态，后者让图负责经验复用与错误定位。

把 Agent 的完整历史全部留下，看起来是最保险的方案。但它很像用一份不断增长的会议录音管理一个复杂项目：信息确实都在，问题是项目依赖没有被显式表示出来。

假设机器人接到一句话：

这已经不是简单的生成下一句话。切番茄依赖于先拿刀，把锅放到桌上依赖于锅里已经有土豆；中间任何一步失败，后面仍然语言流畅的计划都可能已经失效。GraphThink 的长程案例恰好展示了这种现象：普通 SFT 模型会漏掉清洗、刀具放置等步骤，也会生成不合法的连续状态转换。

图的优势就在这里。

图把约束显式化。 GraphThink 把子任务做成节点，把前一个动作的效果能否满足后一个动作的前置条件做成有向边。于是，下一步是否能做不再完全依靠 LLM 临场猜测，而可以直接检查图上的边。

图把状态从文本历史中剥离出来。 GraphThink 的场景图只保留与当前任务相关的对象、关系和属性，在 ALFRED 中通常少于 20 个节点，而且随着环境变化不断替换旧关系。Agent 不必每次重新阅读它曾经看到过什么，而是查询现在是什么样。

图允许局部修复。 EMG 更进一步：它把失败轨迹和正确轨迹都转成图，然后计算图编辑路径。哪里需要删动作、哪里要补一步、哪一步应该被替换，可以被定位为具体的图编辑操作，而不必让模型重新反思整段几十步历史。

长程任务真正缺少的不只是更多 token，更是可维护的状态。 上下文窗口解决的是信息还能不能放进去，图结构解决的则是哪些信息仍然有效、哪些信息彼此依赖、错误应该从哪里修。

GraphThink：图直接参与“想、学、验、改”

8 月 8 日提交的 GraphThink: Graph-Enhanced LLM Thinking for Long-Horizon Embodied Task Planning，针对的是具身 Agent 的三个典型问题：缺少物理现实环境约束导致规划幻觉、长任务泛化差，以及传统重新规划往往只在低层动作失败后才补救。

它设计了两张图。任务图描述哪些高层子任务可以合法连接；这张图同时被放进提示词、用于 GRPO 的节点/边奖励，还充当推理后的验证器。场景图则持续维护当前环境，只记录与任务相关的对象关系，并在低层执行失败或高层子任务完成时触发重新规划。

真正值得注意的是，同一张图结构被贯穿到训练和推理闭环 ：任务图同时用于提示词引导、GRPO 的节点/边奖励，以及推理后的验证器。消融实验显示，在长程任务上移除推理时的任务图验证后，规划成功率从 90.04% 降至 86.25%，下降 3.79 个百分点；去除边级奖励后，长程任务成功率进一步降至 50.50%。这说明“节点都对”远远不够，长程规划中更难保证的是节点之间的合法转换——任务图既告诉模型哪些动作可行，也在训练和推理过程中持续约束动作之间的连接。

实验结果也相当醒目。完整系统在 ALFRED Tests Unseen 上达到 68.52% 的任务成功率，比此前表现最好的 EPO（62.35%）高出 6.17 个百分点；Goal-Condition（GC）达到 75.76%。更值得关注的是任务变长后的表现：当任务长度从 7 个子任务增加到 12 个时，GraphThink 的规划准确率仍从 98.73% 保持在 80.71%，而相同 backbone 的 SFT 基线在 9 个子任务后已接近于零。这说明图结构的价值不只体现在平均准确率上，更体现在任务链拉长之后，仍能维持相对稳定的规划约束。

EMG：与其让 Agent 反思失败，不如直接算出“错在哪里”

EMG 的切口不同。它认为长程任务中的 reflection–replay 有三个麻烦：依赖 LLM 自身反思能力、测试阶段要不断重跑，且某个任务上总结出来的反思很难跨任务复用。

它先把一次失败探索与对应的成功专家轨迹转成有向动作决策图：节点是动作，边携带触发动作之前的环境观测信息。随后用 Fused Gromov-Wasserstein（FGW）图匹配寻找两者的共同子图与图编辑路径。前者代表“已经做对的流程”，后者则明确指出哪些动作应删除、插入或替换。最终，任务内纠错经验放进节点，跨任务共享模式放进边，组成经验记忆图；测试时只检索一次，然后单轮执行。

实验覆盖 ALFWorld 和 ScienceWorld 两个具身 Agent 基准。结果表明，EMG 在不同模型上均明显优于当前主流的反思式纠错方法，验证了其“离线纠错、在线单次执行”的有效性。

它最实际的一点，是把大量纠错计算移到了离线阶段。论文报告，在 CPU 上，ALFWorld 和 ScienceWorld 的图匹配平均分别只需约 0.49 秒和 2.88 秒/图对，而且这部分开销发生在记忆构建阶段，并不进入测试时推理。到真正执行任务时，EMG 只需检索已有经验并完成一次执行，不再像 Reflexion、ExpeL、CDMem 等方法那样进行多轮反思和重试。在论文的对比实验中，这些迭代式方法最多允许执行 5 轮，而 EMG 只执行一次。它把在线反复试错，变成了离线定位和整理错误经验，再在线一次调用。

把两篇论文放在一起，会发现一个更值得注意的变化：图的作用已经不只停留在执行编排和记忆组织，也开始进一步进入 Agent 的任务语义层。GraphThink 用图判断下一步是否合法，EMG 用图定位过去究竟哪里出了错；一个面向未来规划，一个面向历史纠错。

但图结构并没有让长程问题凭空消失，它只是把问题从“LLM 能否记住所有东西”，转移成另外几个更可工程化的问题。

最先出现的是粒度问题。GraphThink 在 ALFRED 中选择 12 类高层子任务；粒度太粗，真实状态被抹掉，粒度太细，图本身又会膨胀。论文明确将粒度选择交给具体环境与低层 skill set，这也说明不存在一套天然通吃所有 Agent 的任务图。

其次是图本身的可信度。GraphThink 专门设计了物理合理性过滤、冲突检测和重新观察机制，恰恰说明场景图一旦写错，错误就可能从瞬时幻觉升级成“持久记忆”。

还有一个更容易被忽略的问题：结构合法，不等于目标正确。 GraphThink 如果去掉指令遵循奖励，模型可能找到一条完全满足图约束、却根本没有完成用户意图的路径；这也是为什么作者必须同时保留语义奖励和结构奖励。

下一阶段值得关注的，是图结构能否进一步进入 Agent 的 task-level control layer。这里的重点并不是用图编排 Agent 的执行流程，而是让图结构本身参与状态维护、动作约束、验证、故障定位与纠错。GraphThink 和 EMG 已经分别在规划与纠错环节展示了这种趋势：图开始从一种信息表示，变成影响 Agent 决策过程的显式约束。

这也给出了一个更实际的选型边界：凡是动作空间相对稳定、前置条件明确、中间状态可验证、失败能够局部回滚的任务，都更适合引入图结构。工具调用、GUI 操作、企业 workflow 和机器人任务中常能找到这类结构。相反，在开放式写作、探索性研究等目标和中间步骤持续变化的任务中，节点和边本身就需要不断重新定义，提前规定一张稳定的任务图反而更加困难。

参考文献

1. GraphThink Aug 2026.
2. Experience Memory Graph Jul 2026.
3. ALFRED 2020.
4. ALFWorld 2021.
5. ScienceWorld 2022.