EGL-SCA：图推理智能体中指令与工具协同进化的结构化贡献归因

以自然语言为输入的图推理智能体必须解决一个耦合问题：从文本重建结构化图实例、判断现有计算资产是否充足、在严格执行协议下与工具交互，并满足检查结构正确性而非文本合理性的外部验证器。现有方法通常孤立地改进指令侧或工具侧，导致失败后应更新什么并不明确。我们提出EGL-SCA，一个以验证器为中心的双空间框架，用两个协作组件建模图推理智能体：面向推理策略的指令侧策略空间，以及面向可执行算法工具的工具侧程序空间。其核心机制是结构化贡献归因，将轨迹证据映射为条件化更新，把失败精确路由到提示词优化或工具合成与修复。为给双空间适配提供充分学习信号，我们引入按任务族分层的训练分布，并配合帕累托式保留策略来平衡成功性、通用性与简洁性。在四个图推理基准上的实验表明，EGL-SCA取得92.0%的平均成功率，达到最先进水平。通过有效协同进化指令与工具，该框架显著优于纯提示和固定工具箱基线。