图神经网络（Graph Neural Network，简称GNN）是一种专门用于处理图结构数据的深度学习模型。它通过学习图中节点之间的关系和图的拓扑结构，来提取节点、边和整个图的特征表示，从而完成节点分类、图分类、链接预测、聚类、生成等任务。

其核心思想基于消息传递和节点更新机制：每个节点通过聚合其邻居节点的信息，更新自身的表示向量。这个过程在整个图中反复迭代，使得节点能够融合邻域的结构和特征信息，最终生成高质量的节点或图的嵌入（embedding）表示。这使得GNN能够有效处理非欧式的数据结构，如社交网络、分子结构、知识图谱等。

罗格斯大学研究团队提出了一个全新ReaGAN（Retrieval-augmented Graph Agentic Network）框架，该框架将“节点自治”概念引入图神经网络（GNN），使每个节点具备类似智能体的自主决策能力。实验显示，ReaGAN在无需微调大模型参数的情况下，性能已可媲美传统监督学习模型，为图机器学习开辟了全新路径。

传统GNN依赖固定规则聚合邻居信息，但现实中节点信息密度差异极大：部分节点内容丰富，另一些则稀疏甚至含噪。ReaGAN核心突破在于赋予每个节点独立“思考权”，通过集成冻结的大语言模型，节点可基于自身记忆和上下文，自主选择下一步行动：本地聚合邻居信息、全局检索语义相似节点，或暂停更新以避免冗余。

“这就像让城市中的每个居民自己决定向谁问路，而非强制所有人只能询问隔壁邻居。”研究团队比喻道，“稀疏区域的节点可通过全局检索找到‘远亲’补足信息，而密集区域的节点则能避免被无关信息干扰。”

ReaGAN为每个节点配置四大功能模块：

记忆系统：动态存储本地邻居与全球检索到的语义节点文本及标签；

规划引擎：调用LLM生成行动指令（如“本地+全球聚合”或“暂停”）；

工具箱：通过检索增强生成（RAG）技术访问全图语义数据库；

执行单元：完成文本特征聚合或最终标签预测。

实验表明，在Cora、Citeseer等经典数据集上，ReaGAN仅使用14B参数的冻结Qwen2模型，准确率即达84.95%（Cora），与需全参数训练的GCN、GraphSAGE等模型持平，甚至在部分稀疏图场景下更优。有力地证明了基于智能体规划和集成化局部-全局检索在推动图机器学习发展方面的潜力。

研究团队透露，ReaGAN的“节点即智能体”设计可扩展至更复杂场景，如社交网络中的去中心化决策、知识图谱的动态补全，甚至作为多智能体系统的底层架构。“下一步，我们将探索如何让这些节点智能体像人类社群一样协作解决问题。”

业内人士评价，ReaGAN或将推动图学习从“模型中心”转向“节点中心”，成为LLM与结构化数据融合的标杆案例。

参考资料：https://arxiv.org/pdf/2508.00429