Agentic 图学习（AGL）利用大型语言模型（LLM）驱动的智能体在图上顺序采样证据，以支持最终预测。现有方法要么使用单一智能体，要么让多个角色型智能体在整张图上协同推理，但它们共享同一推理策略，难以适应结构和语义高度异构的图。
为了解决这一局限，本文提出 MAAGL（Multi‑Agent Agentic Graph Learning）框架。MAAGL 首先将图划分为若干社区，每个社区分配一个独立智能体，实现区域专精。结构证据与语义证据分离处理：结构证据通过 结构签名（structural signature）进行压缩，签名是动态更新的、固定大小且满足置换不变性；语义证据则在每轮采样后依据相关性排序，仅保留前 $k$ 个节点。
智能体依据历史轨迹中相似签名的记录估计自身置信度。当置信度低于阈值时，触发 辩论式协作：多个智能体共享各自的结构签名和语义摘要，交叉质询并融合观点，从而提升整体推理质量。
在四个公开基准数据集上的实验表明，MAAGL 在准确率、召回率等指标上均显著超越当前最先进的 AGL 方法，验证了社区划分、结构签名以及辩论协作的有效性。
点评：MAAGL 通过结构签名保持图的置换不变性，同时利用多智能体的专长和协作，成功突破了单一策略的瓶颈，为大规模图推理提供了新思路。