MAAGL 如何分配专业领域
MAAGL 将图划分为多个社区，并为每个社区分配一个独立的智能体。每个智能体专精于与其所属社区相对应的领域。
在这里，图社区是专业化的基本单位。智能体并未被描述为执行同一项通用任务的通用执行者。
**实践标准：**在这一方案中，智能体的工作范围由图的结构决定。
结构指纹如何构成
MAAGL 将结构证据与语义证据区分开来。结构证据被整合为一种动态更新的固定大小结构签名。
该签名具有置换不变性。语义证据则从按相关性排序的 top-k 个节点中选取。
这种区分使结构描述与重要节点的筛选各自独立。**实践标准：**结构签名适合用于表示具有置换不变性的图特征。
智能体如何利用历史记录和辩论
智能体会参考具有相似签名的历史轨迹，并据此评估自身结论的置信度。
如有需要，智能体会发起协作讨论，以辩论的形式进行。论文将辩论描述为一个有条件的环节，而不是每次决策都必须进行的步骤。
**实践标准：**该方案将置信度评估与相似案例联系起来，并在必要时开展讨论。
MAAGL 考虑了现有方法的哪些局限
作者指出了图学习方法面临的两个问题。对结构进行文字描述可能使推理对信息顺序敏感，并破坏图的置换不变性。
扩大采样邻域会导致上下文迅速膨胀。MAAGL 将结构证据归纳为固定大小的签名，并按相关性筛选语义证据。
| 问题 | MAAGL 的组成部分 |
|---|---|
| 文字描述对结构顺序敏感 | 具有置换不变性的结构签名 |
| 扩大采样邻域导致上下文增长 | 固定大小的签名和 top-k 节点筛选 |
**实践标准：**应将图方法的局限与其表示结构和选择语义证据的方式进行对照。
实验结果如何
在 four benchmark datasets 上进行的实验中，MAAGL 的表现优于 SOTA AGL methods。论文描述中未提供具体数值。
论文 Multi-Agent Agentic Graph Learning via Structural Signatures 由 Liang Qu、Jianxin Li 和 Hua Wang 撰写，发表于 arXiv，编号为 arXiv:2609.09565；提交日期为 2026年9月9日。
**实践标准：**结果表明该方法在所列数据集上进行了比较，但未报告具体数值。
