ANNEAL: Agente Neuro-Simbolico Corregge la Conoscenza di Processo Senza Modificare i Pesi del Modello
Un team di ricercatori ha presentato ANNEAL, un agente neuro-simbolico progettato per correggere problemi persistenti negli agenti basati su LLM modificando un grafo di conoscenza di processo, mantenendo intatti i pesi del modello di base. Al centro del suo funzionamento c'è l'Acquisizione di Conoscenza Guidata dagli Errori (FDKA), che identifica operatori malfunzionanti, genera patch tipizzate attraverso generazione LLM vincolata e valuta le proposte utilizzando punteggi multidimensionali, barriere simboliche e test canary prima dell'implementazione. Ogni modifica approvata include garanzie di governance per un deployment sicuro. Questo metodo innovativo colma il vuoto lasciato dalle attuali tecniche di auto-evoluzione che modificano solo prompt, memoria o pesi, trascurando la riparazione dei framework di esecuzione di compiti simbolici.
Fatti principali
- ANNEAL converte fallimenti ricorrenti in modifiche simboliche governate di un grafo di conoscenza di processo.
- Non modifica i pesi del modello di base.
- Il meccanismo FDKA localizza l'operatore responsabile, sintetizza una patch tipizzata e la convalida tramite punteggi, barriere e test canary.
- Gli approcci di auto-evoluzione esistenti aggiornano prompt, memoria o pesi, ma non le strutture simboliche.
- Fornisce garanzie di governance per un deployment sicuro.
- Introdotto nell'articolo arXiv 2605.16309.
- L'approccio neuro-simbolico combina generazione LLM con barriere simboliche.
- Le patch vengono convalidate prima del commit.
Entità
—