AGEL-Comp：面向交互式智能体组合泛化的神经符号框架

基于大语言模型（LLM）的智能体在组合泛化上表现出系统性失败，限制了其在交互环境中的鲁棒性。本工作提出AGEL-Comp，一个通过让智能体行动具有环境和逻辑依据来应对这一挑战的神经符号AI智能体架构。AGEL-Comp集成了三项核心创新：（1）作为世界模型的动态因果程序图（Causal Program Graph，CPG），将过程性与因果知识表示为有向超图；（2）归纳逻辑编程（Inductive Logic Programming，ILP）引擎，从经验反馈中合成新的Horn子句，通过交互为符号知识提供依据；（3）混合推理核心，由LLM提出一组候选子目标，再由神经定理证明器（Neural Theorem Prover，NTP）验证其逻辑一致性。这些组件共同实现了一个“演绎—溯因”学习循环：使智能体能够推导计划并溯因式地扩展其符号世界模型，同时神经适配阶段使其推理引擎与新知识保持一致。我们在Retro Quest仿真环境中提出一个评估协议，用以探查组合泛化场景并评估我们的AGEL智能体。我们的结果清楚地表明，AGEL模型优于纯LLM模型。我们的框架为构建对自身世界具有显式、可解释且组合结构化理解的智能体指出了一条有原则的路径。