可优化的图形语言代理
内容提要
该文综述大语言模型与图数据结合的研究，涵盖NLGraph基准及提示方法、Auto²Graph的LLM代理、GraphPrompter的图模态对齐、InstructGLM的自然语言提示，以及利用LLM改善图拓扑与知识推理的智能代理调查。
延伸解读
从基准到代理：LLM处理图任务的演进路径
文章梳理了LLM与图数据结合的研究脉络：从NLGraph基准测试和提示方法，到Auto²Graph等自主代理，再到GraphPrompter的模态对齐和InstructGLM的自然语言提示。这一演进显示，研究重点正从让LLM理解图结构，转向让LLM作为代理主动处理图学习任务，并逐步探索用生成式语言模型替代传统GNN的可能性。
提示工程与代理化：两条提升性能的实用路径
文章提到两类提升LLM图任务性能的方法：一是通过Build-a-Graph和Algorithmic Prompting等提示策略，在多个任务上带来3.07%至16.85%的性能提升；二是将LLM作为自主代理，如Auto²Graph自动完成图数据处理、AutoML配置和超参数微调。前者侧重指令设计，后者侧重流程自动化，为实际应用提供了不同选择。
图拓扑优化：LLM增强图学习的另一视角
除了直接让LLM处理图任务，文章还介绍了利用LLM改善图拓扑结构的研究：通过节点属性的语义相似度，用LLM删除不可靠边、添加可靠边，并生成伪标签，从而提升节点分类性能，在公共基准上获得0.15%至2.47%的提升。这表明LLM不仅能作为预测模型，还能作为图数据的预处理和增强工具。
多代理协作与知识推理：LLM图应用的扩展方向
文章提及基于LLM的智能代理调查，涵盖单代理和多代理系统的框架、规划、工具利用及协作机制，并介绍了图神经传递（GNP）方法，利用知识图谱辅助LLM学习常识和生物医学推理。此外，还涉及人类行为模拟等应用。这些方向显示，LLM与图的结合正从静态任务求解扩展到动态协作与复杂推理场景。
Q&A
NLGraph基准是什么？它提出了哪些提示方法？
NLGraph是一个用于评估大语言模型解决自然语言图问题的基准。它提出了两种基于指令的提示方法：Build-a-Graph Prompting和Algorithmic Prompting，这些方法在多个任务和设置中将LLM的性能提升了3.07%到16.85%。
Auto²Graph方法如何利用LLM作为自主代理来简化图学习？
Auto²Graph使用大型语言模型作为自主代理，简化多样真实世界图的学习过程，响应用户请求并生成数据自动解决方案，涉及图数据处理、自动机器学习配置、搜索架构和超参数微调。该方法在不同数据集和学习任务上展现可比较的性能，代理产生类似人类决策。
GraphPrompter框架如何将LLM与图模态对齐？
GraphPrompter框架通过将大型语言模型与图形模态对齐，实现了LLM在图相关任务中的重要性和效果。
InstructGLM是什么？它如何利用自然语言提示进行图学习？
InstructGLM（指导调整的图语言模型）基于自然语言说明系统地设计高度可扩展的提示，使用自然语言描述图的几何结构和节点特征，通过指导调优语言模型以一种生成方式在图上执行学习和推理，超过了所有竞争的GNN基准数据集，证明了方法的有效性，并为将生成语言模型替代GNN作为图机器学习的基础模型提供了启示。
大型语言模型如何用于改善图拓扑结构以增强节点分类？
通过利用信息检索和文本生成能力，大型语言模型可以改善文本属性图的拓扑结构。具体方法包括：通过节点属性的语义相似度，使用LLM删除不可靠的边并添加可靠的边，以及利用LLM生成的伪标签改善图的拓扑结构。实验证明，使用LLM进行图拓扑改善在公共基准测试中提升了0.15%至2.47%的性能。
图神经传递（GNP）方法如何辅助LLM学习知识？
图神经传递（GNP）方法通过利用知识图谱，辅助预训练大型语言模型学习有益的知识，在常识和生物医学推理任务中具有优越性能。
