AgentGL: 強化学習によるLLMを活用したエージェント的グラフ学習へのアプローチ

AgentGL: Towards Agentic Graph Learning with LLMs via Reinforcement Learning

April 7, 2026

著者: Yuanfu Sun, Kang Li, Dongzhe Fan, Jiajin Liu, Qiaoyu Tan

cs.AI

要旨

大規模言語モデル（LLM）は、静的でパラメトリックな知識の限界を克服するために、反復的検索、ツール利用、意思決定といったエージェント機能にますます依存するようになっている。しかし、既存のエージェントフレームワークは外部情報を非構造化テキストとして扱い、実世界データに内在するトポロジー依存性を活用できていない。このギャップを埋めるため、我々はグラフ学習を、トポロジーを考慮したナビゲーションとLLMベースの推論が交互に行われるプロセスとして再定義するパラダイムであるAgentic Graph Learning（AGL）を提案する。具体的には、AGLのための最初の強化学習（RL）駆動フレームワークであるAgentGLを提案する。AgentGLは、LLMエージェントにマルチスケール探索のためのグラフネイティブなツールを装備し、精度と効率のバランスを取るために検索制約付き思考によりツール使用を調整し、ステップごとの監督なしで長期的なポリシー学習を安定化させるためにグラフ条件付きカリキュラムRL戦略を採用する。多様なテキスト属性グラフ（TAG）ベンチマークと複数のLLMバックボーンにおいて、AgentGLは強力なGraphLLMおよびGraphRAGベースラインを大幅に上回り、ノード分類では最大17.5%、リンク予測では最大28.4%の絶対的な改善を達成した。これらの結果は、AGLがLLMに複雑な関係性環境を自律的にナビゲートし推論する能力を付与する有望なフロンティアであることを示している。コードはhttps://github.com/sunyuanfu/AgentGL で公開されている。

English

Large Language Models (LLMs) increasingly rely on agentic capabilities-iterative retrieval, tool use, and decision-making-to overcome the limits of static, parametric knowledge. Yet existing agentic frameworks treat external information as unstructured text and fail to leverage the topological dependencies inherent in real-world data. To bridge this gap, we introduce Agentic Graph Learning (AGL), a paradigm that reframes graph learning as an interleaved process of topology-aware navigation and LLM-based inference. Specifically, we propose AgentGL, the first reinforcement learning (RL)-driven framework for AGL. AgentGL equips an LLM agent with graph-native tools for multi-scale exploration, regulates tool usage via search-constrained thinking to balance accuracy and efficiency, and employs a graph-conditioned curriculum RL strategy to stabilize long-horizon policy learning without step-wise supervision. Across diverse Text-Attributed Graph (TAG) benchmarks and multiple LLM backbones, AgentGL substantially outperforms strong GraphLLMs and GraphRAG baselines, achieving absolute improvements of up to 17.5% in node classification and 28.4% in link prediction. These results demonstrate that AGL is a promising frontier for enabling LLMs to autonomously navigate and reason over complex relational environments. The code is publicly available at https://github.com/sunyuanfu/AgentGL.