来自 arXiv 的最新论文提出 HyperAgent，一种基于 Tool-Schema Hypergraphs（工具架构超图）的智能体框架，让 LLM 在复杂工具调用中实现动态规划与自主执行的无缝融合。在多个基准测试中，任务完成率与执行效率均显著超越传统 ReAct 与 Plan-and-Solve 路线。
传统 LLM 智能体在调用工具时，通常把工具当作一个扁平的列表——模型根据当前 prompt 选一个工具，执行，再选下一个。这种方式的缺陷很明显：工具之间的依赖关系、输入输出兼容性、执行顺序约束全靠模型"硬记"。
HyperAgent 的做法是：把所有工具及其关系构建成一个 超图（Hypergraph）。
在这个超图里，每个节点是一个工具或工具参数，每条边代表一种关系——"前置依赖"、"输出兼容"、"互斥冲突"、"协作增益"。规划器不是在"选工具"，而是在超图上做路径搜索，找到一条最优的工具调用链路。
注：超图（Hypergraph）与传统图结构的区别在于，一条边可以连接任意多个节点，更适合表达"多个工具协同完成一个子任务"这类复杂关系。上图为简化示意，实际超图包含工具、参数、约束三类节点。
一个直接的类比：如果说传统工具列表是"电话本"，HyperAgent 的超图就是"交通地图"——不仅有名字，还有路线、路口和实时路况。
研究者在 ToolBench 上做了系统的消融实验，结果清晰地指向一个结论：超图结构带来的增益，随着任务复杂度增加而放大。
工具列表扁平存储，依赖 LLM 的上下文记忆来维持工具间关系。当工具数量超过 15 个或任务步骤超过 5 步时，失误率急剧上升。典型表现：重复调用、选错工具、步骤遗漏。
工具关系显式编码在超图结构中，规划器与执行器共享同一张"地图"。即使工具数量达到 40+，任务完成率仍稳定在 80% 以上。超图同时支持动态更新——新工具加入时只影响局部节点。
注：数据来自论文 Table 2，基于 ToolBench 的 124 个复杂任务测试集。冗余调用定义为"同一工具在连续三步内被重复调用且未产生新输出"。
更值得关注的是 首次调用成功率——HyperAgent 达到 81.3%，而 ReAct 仅为 62.6%。这意味着超图规划器在"第一次选工具"时就大概率选对了，而不是靠"试错—回溯—重试"的循环来逼近正确答案。
HyperAgent 的架构由三个核心模块组成，彼此通过超图进行信息交换：
超图构建器 负责将工具定义、API 文档、参数约束解析为统一的超图结构。这个过程是离线完成的，开发者只需提供标准的 OpenAPI 规范或工具描述文件。
超图规划器 是核心推理引擎。它不是在每一步都重新"思考"选哪个工具，而是在超图上做一次全局路径规划，输出一个带分支的调用方案——包含主路径、备选路径和回退策略。
执行器 + 状态追踪器 负责按图执行，同时将执行过程中的中间结果反馈回超图，形成"规划—执行—反馈—调整"的闭环。如果某个工具返回异常，执行器不会盲目重试，而是回溯到超图的分支节点，选择另一条路径。
注：论文中报告，在 40 个工具的复杂场景下，超图规划器的单次规划耗时约 1.2 秒（GPT-4o 后端），远低于 Plan-and-Solve 的 3.8 秒。全局规划+局部微调的模式显著降低了推理开销。
过去两年，LLM 智能体的工具调用能力经历了三个阶段：
第一阶段："记住工具"——模型通过 prompt 中的工具描述来调用，完全依赖上下文记忆。
第二阶段："检索工具"——引入检索增强，从工具库中选出最相关的几个。
第三阶段（HyperAgent 代表的方向）："理解工具关系"——不再把工具看作独立单元，而是构建工具之间的语义与执行关系网络。
这个转变的底层驱动力很直接：当工具数量从个位数增长到上百个，工具之间的交互复杂度呈指数级上升，扁平化的工具列表已经无法承载这种复杂性。超图结构本质上是一种"空间换时间"的策略——用离线构建的关系图，换取在线推理时的效率与可靠性。
一个诚实的注脚：
HyperAgent 目前仍依赖高质量的 OpenAPI 规范和工具描述文件，在工具文档不完整或频繁变更的场景下，超图构建的维护成本不可忽视。此外，超图规划器在极端动态环境（工具每秒都在变化）中的适应性，论文尚未充分验证。这是未来值得关注的方向。
工具调用的下一轮竞争，不是比谁的模型更大，而是比谁能为模型构建一张更精确、更动态的"工具地图"。HyperAgent 的超图思路，正在把智能体从"拿着电话本找人"升级为"看着导航地图开车"。
论文已发表于 arXiv，代码与超图构建工具处于 Pre-release 阶段，可关注作者 GitHub 仓库获取最新进展。
arXiv 论文 → 预印本