记忆系统答「有什么」，这张图答「接下来怎么办」
长程任务里的智能体有个共同的毛病：轨迹一长就丢目标、乱序调工具、在同一个坑里反复摔。9 月 8 日挂上 arXiv 的一篇论文（2609.09153）给了这个老问题一个新容器——Procedural Graph，程序图。作者来自 Google、佐治亚理工与北京大学团队（Yuxing Lu、Yicheng Chen、Shanchan Wu、Sercan Ö. Arık），全文 36 页、6 图 11 表。
思路的起点是一个类比。知识图谱把事实知识组织成「实体—关系—实体」三元组，回答「是什么」；程序图把程序知识组织成「过程—关系—过程」三元组，回答「接下来怎么办」。图上的节点可以是一项技能、一个工具函数、一次内部推理，也可以是一个任务状态；连接节点的有向边携带三个字段——什么条件下适用、执行时有什么建议、哪些坑要避开。论文给的例子很生活化：「预测现金流」连向「申请融资」，条件是现金支撑时间低于安全缓冲，建议是提前申请为到账留时间，要避免的是在已有申请未完成时重复发起。
执行时不重训权重，靠读图给指导
落到执行上，框架在每一步先定位智能体所处的活跃节点，再由一个指导模型把周围子图翻译成步骤级的情境化指导——它影响求解器的下一步动作，但不替它做决定。这与近期记忆赛道的热点其实是两个层面：MemCalib 一类工作校准的是「该不该用记忆、用多少」，程序图管的是「步骤之间怎么衔接」。记忆回答库里有什么，程序回答此刻该做什么，两者叠加而非互替。
自进化闭环：改图的是模型，放行的是验证集
这套结构真正值钱的部分在进化机制。一个 LLM 精炼器对比失败轨迹与成功轨迹，据此修改图的拓扑与边属性；修改方案必须先过留出验证集——只有保持或提升验证成绩的改动才会提交，被驳回的方案也会保留在图里，用来阻止后续重复犯错。从一张最小骨架出发，这个闭环能长出与人工设计相当甚至更好的图；给它一份有缺陷的专家先验，它还能把缺陷修掉。作者报告跨多个数据集、任务类型与模型，程序图相对记忆类基线取得一致增益，自进化进一步抬升上限而无需人工工程。
和技能库、上下文工程是什么关系
容易混淆的是程序图与近期几条热门路线的边界。技能库存的是可复用的做法本身，程序图存的是做法之间的关系——哪一步在什么条件下接哪一步、衔接时注意什么，技能可以嵌在节点里，图负责编排。上下文工程关心的是单次调用窗口里装什么，程序图关心的是跨步骤的顺序与条件，一个是空间问题，一个是结构问题。对工程团队来说，这套东西还有一个容易被忽略的好处：图是显式的，错了可以定位到某条边；提示词工作流错了，只能整段重写。被驳回的修改也保留在图里的设计同样聪明——智能体不会反复提出同样的坏主意，这在长周期自进化里比多涨几分更重要。
冷静看也有几处留白：论文摘要未给出具体数据集清单与增益幅度，指导模型本身的额外推理开销、留出验证集的质量依赖，都还需要正文与后续复现来检验；完整实验细节目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。但方向本身值得记一笔：当 harness 工程还停留在人手写提示词工作流的阶段，程序图把「怎么干活」变成了可读取、可检查、可修订的数据结构——这才是它区别于又一篇记忆论文的地方。