[Paper] 用于 Neuro-Symbolic Programming 的 Agentic 框架

Source: arXiv - 2601.00743v1

概述

论文介绍了 AgenticDomiKnowS (ADS)，一个新框架，使开发者能够用自然语言描述神经‑符号任务，并自动生成完整的 DomiKnowS 程序。通过将自由形式的提示转化为可执行代码，ADS 消除了原始 DomiKnowS 库的陡峭学习曲线，并将原型开发时间从数小时缩短至仅 10‑15 分钟。

关键贡献

• Agentic translation pipeline：一种由 LLM 驱动的工作流，解析自然语言任务，创建每个 DomiKnowS 组件（数据加载器、符号约束、神经模块），并逐步验证它们。
• Human‑in‑the‑loop optionality：熟悉 DomiKnowS 的开发者可以在任意阶段介入，编辑或批准生成的代码片段，将自动化与专家控制相结合。
• Speedup in development：实证用户研究表明，端到端编码时间从数小时降低至约 10‑15 分钟，适用于新手和有经验的 DomiKnowS 用户。
• Modular testing harness：每个生成的组件在组装前都会针对合成输入进行单元测试，提高最终神经符号程序的可靠性。
• Open‑source reference implementation：作者将 ADS 作为 Python 包发布，并提供示例笔记本，便于集成到现有 AI 流程中。

方法论

1. 提示摄取 – 用户提供对所需神经符号任务的自由描述（例如，“在分类图像时强制检测到的对象计数之和等于报告的总数”）。
2. 任务分解 – 大语言模型（GPT‑4‑style）将描述拆解为结构化计划：数据获取、神经模型选择、符号约束以及集成点。
3. 组件生成 – 对于计划中的每一项，ADS 调用专门的“代理”，生成相应的 DomiKnowS 代码片段（例如 SymbolicConstraint 类）。
4. 本地验证 – 生成的片段在自动创建的测试用例上运行（合成数据满足/违反约束）。若出现失败，则触发再生成循环。
5. 人工参与（可选） – 如果开发者选择加入，人机交互环节会显示中间代码供审查，并在继续之前进行手动编辑。
6. 程序组装 – 通过验证的片段被拼接成完整的 DomiKnowS 脚本，随后在目标数据集上执行。
7. 反馈循环 – 执行日志被反馈给 LLM，以微调后续提示，逐步提升生成质量。

该工作流刻意保持模块化，允许各代理自由替换（例如使用不同的 LLM 或基于规则的解析器），而不会破坏整体系统。

结果与发现

• Time‑to‑prototype：在一项包含 12 名参与者（6 名 DomiKnowS 专家，6 名新手）的受控研究中，平均编码时间从 3.2 h（手动）降至 12 min（ADS）。
• Correctness：生成的程序中有 87 % 在首次运行时通过了所有单元测试；其余 13 % 需要进行一次重新生成。
• User satisfaction：调查评分（1–5 Likert）在易用性方面平均为 4.6，在对生成代码的信心方面平均为 4.2。
• Scalability：ADS 成功为三个基准神经符号任务（视觉问答、基于物理的推理以及规则引导的文本分类）生成程序，且无需任务特定的调优。

Practical Implications

• 快速原型：团队可以在没有 DomiKnowS 深度专业知识的情况下，在新数据集上快速搭建神经符号流水线，加速研究到产品的周期。
• 降低准入门槛：初创公司和产品工程师可以在深度模型旁实验符号约束（例如业务规则、安全检查），从而培育更可信的 AI 解决方案。
• 人机协同的 AI 开发：可选的审查步骤让高级工程师保持控制权，同时将模板代码生成委派给代理，提高生产力且不牺牲质量。
• 与现有技术栈集成：由于 ADS 输出纯 Python/DomiKnowS 代码，可直接嵌入 CI 流水线、容器化服务或 Jupyter Notebook，几乎没有摩擦。
• 数据效率：通过鼓励使用符号先验，开发者可以在更少标注样本下实现相当的性能——这对数据稀缺的领域（如医学影像、科学仿真）可节省成本。

限制与未来工作

• 对 LLM 质量的依赖：生成代码的准确性取决于底层语言模型；领域外的术语仍可能导致解析错误。
• 仅限于 DomiKnowS：虽然模块化设计可以扩展，但 ADS 目前仅支持 DomiKnowS API，限制了使用其他神经符号库的团队的采用。
• 符号测试的可扩展性：单元测试生成假设约束相对简单；更复杂的逻辑公式可能需要更高级的测试用例合成。
• 未来方向：作者计划 (1) 添加多 LLM 集成以实现更稳健的解析，(2) 将支持范围扩大到其他神经符号框架（如 DeepProbLog、Neuro‑Symbolic Concept Learner），以及 (3) 融入基于强化学习的自我调试，以进一步减少重新生成循环。

作者

• Aliakbar Nafar
• Chetan Chigurupati
• Danial Kamali
• Hamid Karimian
• Parisa Kordjamshidi

论文信息

• arXiv ID: 2601.00743v1
• 分类: cs.AI
• 发布日期: 2026年1月2日
• PDF: 下载 PDF