대규모 언어 모델(LLMs)은 구조화된 관계와 알고리즘 연산에 대한 추론이 필요한 그래프 계산(graph computation) 분야에서 점점 더 많이 탐구되고 있습니다. 하지만 LLMs가 언제 이러한 계산을 안정적으로 지원할 수 있는지, 그리고 그래프 해결 파이프라인(graph-solving pipelines)에 어떻게 통합되어야 하는지는 여전히 불분명합니다. LLMs와 그래프의 교차점에 있는 기존 조사들은 주로 그래프 학습(graph learning), 텍스트 속성 그래프(text-attributed graphs), 또는 그래프-언어 모델링(graph-language modeling)에 초점을 맞추고 있습니다. 이러한 격차를 해소하기 위해, 본 논문에서는 역할 기반 분류 체계(role-based taxonomy)를 통해 그래프 계산을 위한 LLMs에 대한 포괄적인 검토를 제공합니다. 구체적으로, 우리는 두 가지 주요 패러다임을 식별합니다: i) 실행자로서의 LLMs(LLMs as executors), 즉 모델이 그래프 설명과 지침으로부터 그래프 작업을 직접 해결하는 방식; ii) 계획자로서의 LLMs(LLMs as planners), 즉 모델이 문제를 공식화하고, 추론 단계를 분해하며, 실행을 위해 외부 도구 또는 에이전트를 호출하는 방식입니다. 이 분류 체계를 바탕으로, 우리는 현재 방법들의 강점과 한계를 분석합니다. 우리의 검토 결과에 따르면, LLMs는 단순하고 소규모인 작업에는 유망하지만, 대규모 및 정확성을 요구하는 작업에는 여전히 신뢰할 수 없는 상태입니다. 마지막으로, 사용 가능한 데이터셋을 요약하고 네 가지 향후 방향을 제안합니다.