AgentGL: 강화 학습을 통한 LLM 기반 에이전트 그래프 학습 방향

초록

대규모 언어 모델(LLM)은 정적 매개변수 지식의 한계를 극복하기 위해 반복적 검색, 도구 사용, 의사 결정과 같은 에이전트 능력에 점점 더 의존하고 있습니다. 그러나 기존 에이전트 프레임워크는 외부 정보를 비정형 텍스트로 취급하여 실제 데이터에 내재된 위상 의존성을 활용하지 못합니다. 이러한 격차를 해소하기 위해 우리는 그래프 학습을 위상 인식 탐색과 LLM 기반 추론의 상호 교차 과정으로 재정의하는 패러다임인 에이전트 그래프 학습(AGL)을 소개합니다. 구체적으로 우리는 AGL을 위한 최초의 강화 학습(RL) 기반 프레임워크인 AgentGL을 제안합니다. AgentGL은 LLM 에이전트에 다중 규모 탐색을 위한 그래프 기본 도구를 장착하고, 정확도와 효율성의 균형을 위해 검색 제한 사고를 통해 도구 사용을 규제하며, 단계별 지도 없이 장기 정책 학습을 안정화하기 위해 그래프 조건부 커리큘럼 RL 전략을 사용합니다. 다양한 텍스트 속성 그래프(TAG) 벤치마크와 여러 LLM 백본에서 AgentGL은 강력한 GraphLLM 및 GraphRAG 기준선을 크게 능가하며, 노드 분류에서 최대 17.5%, 링크 예측에서 28.4%의 절대적 성능 향상을 달성했습니다. 이러한 결과는 AGL이 LLM이 복잡한 관계형 환경을 자율적으로 탐색하고 추론할 수 있도록 하는 유망한 프론티어임을 보여줍니다. 코드는 https://github.com/sunyuanfu/AgentGL에서 공개되어 있습니다.

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.

AgentGL: 강화 학습을 통한 LLM 기반 에이전트 그래프 학습 방향

AgentGL: Towards Agentic Graph Learning with LLMs via Reinforcement Learning

초록

Support