NL2GenSym：通过大语言模型将自然语言转化为 SOAR 认知架构的生成性符号规则
计算与语言
2025-10-13 v1
摘要
SOAR 是一种经典的基于符号的认知架构，一直推动着通用类人智能体的发展。然而，其实际应用受到繁琐的手动规则编码的阻碍。新兴的大语言模型（LLM）在高效规则生成方面展现出巨大潜力。然而，当前研究主要聚焦于概念框架，缺乏稳健的实验验证，存在一个关键缺口。为填补这一缺口，我们提出了 NL2GenSym（Natural Language to Generative Symbolic Rules，自然语言到生成性符号规则），一个将 LLM 与 SOAR 集成以从自然语言自主生成生成性符号规则的新框架。具体而言，我们的框架引入了一种新颖的 Execution-Grounded Generator-Critic 机制。基于 LLM 的生成器在检索增强生成（RAG）访问的自演进领域知识库引导下，从自然语言提出规则。随后，这些规则立即在 SOAR 环境中执行，以严格验证其正确性。基于这种执行驱动的反馈，一个反思性的基于 LLM 的评论器驱动这些规则的迭代优化。在我们专门的 Water Jug Problem（WJP）数据集上，利用 Gemini 和 Qwen 系列模型进行的实验验证了我们框架的有效性。它在从自然语言生成规则方面实现了超过 86% 的成功率。关键的是，该框架还生成了新的启发式规则，将解决 WJP 的平均决策循环降至最优解的 1.98 倍和基线方法的 1/1000。此外，我们的初步实验表明，NL2GenSym 使小参数模型能够比大参数模型取得更好的性能。
引用
@article{arxiv.2510.09355,
title = {NL2GenSym: Natural Language to Generative Symbolic Rules for SOAR Cognitive Architecture via Large Language Models},
author = {Fang Yuan and Junjie Zeng and Yue Hu and Zhengqiu Zhu and Quanjun Yin and Yuxiang Xie},
journal= {arXiv preprint arXiv:2510.09355},
year = {2025}
}