通过受限生成改进程序技能解释：一种符号-LLM 混合架构
人工智能
2025-11-27 v1
摘要
在程序技能学习中，指令解释必须传递不仅包含步骤，还要包含背后因果、目标导向和组合逻辑。大型语言模型(LLM)常常产生流畅但浅薄的回应，缺失这种结构。我们提出了 Ivy，这是一个人工智能教练系统，通过将符号任务-方法-知识(TMK)模型与生成解释层(LLM)相结合，提供结构化的多步骤解释。TMK 编码了因果转换、目标层次结构和问题分解，并在显式结构边界内指导 LLM。我们使用专家和独立注释，对比评估了 Ivy 对抗 GPT 和检索增强 GPT 基线方法，在三个推理维度上进行。结果表明，符号约束在解释“如何”和“为什么”问题的结构质量方面始终具有改进。该研究表明，这是一种可扩展的教育 AI 方法，强化了智能教练系统中 AI 生成解释的教育价值。
引用
@article{arxiv.2511.20942,
title = {Improving Procedural Skill Explanations via Constrained Generation: A Symbolic-LLM Hybrid Architecture},
author = {Rahul Dass and Thomas Bowlin and Zebing Li and Xiao Jin and Ashok Goel},
journal= {arXiv preprint arXiv:2511.20942},
year = {2025}
}