连接符号控制与神经推理于LLM代理：具有治理层的结构化认知循环
人工智能
2026-02-20 v5 计算与语言
摘要
大语言模型代理面临根本性架构问题：推理与执行 entangled，记忆不稳定，以及不可控制的动作序列。我们提出结构化认知循环（SCL），一种模块化架构，显式地将代理认知分为五个阶段：检索、认知、控制、行动和记忆（R-CCAM）。软符号控制构成SCL内部的专用治理层，应用符号约束来约束概率推断，同时保持神经推理的灵活性，恢复经典符号系统的可解释性和可控性。通过在多步骤条件推理任务上的实证验证，我们展示了SCL实现了零策略违规，消除了冗余工具调用，并保持完整的决策可追溯性。这些结果解决了现有框架如 ReAct、AutoGPT 和记忆增强方法的关键性空白。我们的贡献有三个：（1）我们将SCL置于混合智能的分类中，将其与 prompt-centric 方法和 memory-only 方法区分开来；（2）我们正式定义软符号控制并与神经符号AI进行对比；（3）我们推导出可信代理的三个设计原则：模块化分解、自适应符号治理和透明状态管理。我们提供了完整的开源实现，展示了R-CCAM循环架构，以及一个由 GPT-4o 提供动力的旅行规划代理。通过将专家系统原理与现代LLM能力相结合，本工作提供了一条通向可靠、可解释且可治理AI代理的实用且理论依据严谨的路径。
引用
@article{arxiv.2511.17673,
title = {Bridging Symbolic Control and Neural Reasoning in LLM Agents: Structured Cognitive Loop with a Governance Layer},
author = {Myung Ho Kim},
journal= {arXiv preprint arXiv:2511.17673},
year = {2026}
}
备注
The SCL diagram has been revised for greater clarity