Stanford-keretrendszer segíti a komplex feladatokon dolgozó AI-ügynököket
A preprintben bemutatott neuro-szimbólikus architektúra dinamikus világmodellt és logikai motorokat egyesít, hogy az ügynökök jobban kezeljék a feladatok összetett kombinációit.
Az AGEL-Comp keretrendszert a preprint szerzői április 2026-ban tették közzé az arXiv-en — írja az arXiv. (ArXiv AI)
A kompozicionális általánosítás kihívásai
Jelenlegi LLM-alapú ügynökök gyakran elbuknak, ha a feladatok új kombinációját kell megoldaniuk, mert a kompozicionális általánosítás hiányzik — közölte a preprint.
Az AGEL-Comp építőkövei
Causal Program Graphként (CPG) dinamikus világmodellt épít, amely eljárási és ok-okozati tudást irányított hipergráfként tárol.
Inductive Logic Programming (ILP) motor új Horn-klauzulákat szintetizál a tapasztalati visszajelzésekből, így a szimbolikus tudás a kölcsönhatás során gyökerezik.
Hibrid logikai magban az LLM al-célokat generál, míg a Neural Theorem Prover (NTP) ellenőrzi azok logikai koherenciáját, ezáltal egy dedukció-abdukció tanulási ciklust operacionalizál.
A keretrendszer hatékonyságát még nem igazolták valós környezetben, a teljesítményjavulást sem számszerűsítették a preprintben.
Az AGEL-Comp jövőbeli tesztelése a Stanford-i AI Laborban 2027-es első negyedévében várható, ahol a CPG és az ILP együttműködését mérik a MiniWoB teljesítményteszten, 2027. márciusban.