Schema：通过 Agentic 程序归纳发现未知环境

学习在不熟悉的环境中以未知的规则完成任务仍然是 LLM Agent面临的主要挑战。目前的大语言模型Agent经常用散文记录他们的发现，这可能无法提供对环境如何运作的紧凑、明确的描述。受科学家如何将观察结果组织成可测试的预测理论的启发，我们引入了 Schema，这是一种通过交互式程序归纳来组织学习和行动的Agent Harness。 LLM Agent决定调查什么以及如何采取行动，将其对环境不断发展的理解表达为可执行程序。该Harness由一个持久的程序工作区和一小组接口组成，用于根据交互历史记录检查这些程序，在其中进行规划，并在逐步验证下执行计划。 Schema 在相同的基础模型下将 ARC-AGI-3 RHAE 从 58.7% 提高到 99.2%，解决了 100% 的公共 DiG-bench 游戏，并达到了 MazeBench 上前 50 名人类玩家的中位表现。广泛的分析显示了 Schema 在未知机制发现中的有效性，并且消融证实了每个组件的贡献。