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.
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 a 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.