提升轨迹到逻辑：面向长期代理任务的神经符号技能诱导
人工智能
2026-05-05 v1
摘要
基础模型驱动的代理系统在长期计划方面常因纯提示驱动的推理是暂时性的而难以应对。虽然现有技能诱导方法通过提炼经验到无状态参数化脚本来缓解这一问题，但未能捕捉动态环境中可靠执行所需的条件逻辑。本文提出神经符号技能诱导（NSI）框架，将交互轨迹提升为模块化的、具备逻辑依托的程序。通过合成显式控制流程和动态变量绑定，NSI赋能代理发现"何时"与"为何"行动。该范式实现高效泛化，使代理能够从少量示例中诱导技能，并灵活适应未发现的目标。一系列代理任务上的实验表明，NSI持续优于最先进的基线方法，使代理能够自我演化为面向逻辑依托技能的建筑师。
引用
@article{arxiv.2605.01293,
title = {Lifting Traces to Logic: Programmatic Skill Induction with Neuro-Symbolic Learning for Long-Horizon Agentic Tasks},
author = {Jie-Jing Shao and Haiyan Yin and Yueming Lyu and Xingrui Yu and Lan-Zhe Guo and Ivor Tsang and James Kwok and Yu-Feng Li},
journal= {arXiv preprint arXiv:2605.01293},
year = {2026}
}
备注
ICML 2026