面向 LLM 代理的案例基理论综述：理论基础、架构组件与认知集成
人工智能
2025-04-14 v2 多智能体系统
摘要
由大型语言模型 (LLM) 驱动的代理最近在诸多任务中展现出惊人的能力。然而，他们在需要特定结构知识、灵活性或可解释决策的任务上仍存在局限。尽管代理能够感知环境、形成推理、规划并执行行动以实现目标，但常面临幻觉以及跨交互中缺乏上下文记忆的问题。本文探讨了将案例基理论 (CBR) ——即通过引用过去经验来解决新问题的策略——集成到 LLM 代理框架中的方法。这种集成使 LLM 能够利用显式知识，从而提升其效果。我们系统性地综述了这些增强型代理的理论基础，识别出关键框架组件，并为案例检索、适应与学习的 CBR 过程构建数学模型。我们还评估了 CBR 增强型代理与链式思考推理和标准检索增强生成等其他方法的相对优势。此外，我们探讨了通过目标驱动的自主机制利用 CBR 的认知维度（包括自省、内省和好奇心）如何进一步提升 LLM 代理的能力。为正在进行的神经符号混合系统研究，本工作认为 CBR 是增强自主 LLM 代理推理技能和认知方面能力的可行技术。
引用
@article{arxiv.2504.06943,
title = {Review of Case-Based Reasoning for LLM Agents: Theoretical Foundations, Architectural Components, and Cognitive Integration},
author = {Kostas Hatalis and Despina Christou and Vyshnavi Kondapalli},
journal= {arXiv preprint arXiv:2504.06943},
year = {2025}
}