用于显式问题解决器建模的认知代理编译

大语言模型 (LLM) 广泛用于辅导、反馈生成和内容创建，但其广泛的预训练使其难以约束，并且很难替代可控学习者。教育系统通常需要可检查和可编辑的知识状态：教育者想知道系统假设学习者知道什么，而当系统能够根据明确的技能、误解和策略来证明行为的合理性时，学习者就会受益。受认知架构的启发，我们提出了认知代理编译（CAC），该框架使用强大的教师 LLM 将解决问题的知识编译为明确的目标代理。 CAC 将 (i) 知识表示、(ii) 问题解决策略和 (iii) 验证和更新规则分开，其目标是使有界问题解决在教育环境中更易于检查和编辑。我们提出了使用小语言模型实现的早期概念证明，该模型展示了关键设计权衡，特别是在显式控制和可扩展泛化之间，并将 CAC 定位为教育应用的有限知识人工智能的第一步。