对齐进展与可行性：面向长时序LLM智能体的神经符号双记忆框架
人工智能
2026-04-06 v1
摘要
大语言模型（LLM）在长时序决策任务中已展现出强大潜力，例如具身操作和网页交互。然而，智能体在复杂环境中经常陷入无尽的试错循环或偏离主要目标。我们将这些失败归因于两个基本错误：全局进展漂移和局部可行性违反。现有方法通常试图使用单一范式同时解决这两个问题。然而，这两个挑战本质上是不同的：前者依赖于模糊的语义规划，而后者要求严格的逻辑约束和状态验证。这种单一范式方法的内在局限性对现有模型处理长时序任务构成了根本性挑战。基于这一洞察，我们提出了一种神经符号双记忆框架，明确地将语义进展指导与逻辑可行性验证解耦。具体而言，在推理阶段，该框架同步调用两种记忆机制：一方面，基于神经网络的进展记忆从成功轨迹中提取语义蓝图以指导全局任务推进；另一方面，基于符号逻辑的可行性记忆利用从失败转换中合成的可执行Python验证函数进行严格的逻辑验证。实验证明，该方法在ALFWorld、WebShop和TextCraft上显著优于现有竞争基线，同时大幅降低了无效动作率和平均轨迹长度。
引用
@article{arxiv.2604.02734,
title = {Aligning Progress and Feasibility: A Neuro-Symbolic Dual Memory Framework for Long-Horizon LLM Agents},
author = {Bin Wen and Ruoxuan Zhang and Yang Chen and Hongxia Xie and Lan-Zhe Guo},
journal= {arXiv preprint arXiv:2604.02734},
year = {2026}
}