神经符号策略让 Agent 单条轨迹学可复用工作流,成本降百倍
xwang_lk · x · 2026-10-02
研究者提出 Neuro-Symbolic Computer Use:针对计算机上反复执行的任务,不再让 agent 每次从零重新规划,而是把执行经验固化为可复用的学习策略。
- 核心思路:将跨次运行稳定的决策(顺序、变量、循环、分支)编译为可执行代码,把依赖观察的决策(grounding、状态检查)交给神经模型。
- 学习方式:从单条 agent 轨迹出发,用神经符号策略迭代——执行策略、用任务完成度和步骤级 judge 诊断失败、由编码模型结合失败点续跑信息修订代码,全程不接触基准评测器;通过生成参数与初始状态变体迭代使策略可泛化,部署时用前置验证器守护每个修改状态的步骤。
- 效果:在 OSWorld-Verified 与 ScienceBoard 的全部四个设置中 Pass^3 最高,超出基线 agent 3.6–15.8 分,单次运行成本降低 15–217 倍,延迟降低 3.4 倍以上。
所属事件:神经符号化计算机操作新范式让 Agent 成本降百倍(2 条相关)→
「编程与Agent」频道最新
- 开源 e2e 框架用 Agent 跑应用测试,记忆回放省 token — aloncarmel · 2026-10-02
- 资深 AI 工程师的 6 步法:按风险而非行数审查 AI 生成代码 — MaryamMiradi · 2026-10-02
- LangChain 更新 Deep Agents 课程，一条 CLI 命令部署到 Slack — LangChain · 2026-10-02
- 开发者用 Opus 5.5 做 GTA4 风格 SCP 游戏，晒出抢先演示 — imjustnewatai · 2026-10-02
- Claude Code Mods 进阶玩法:派生 forked agent 做记忆分类 — trq212 · 2026-10-02
- AI 记忆的难点在写入而非读取：先分类再存储 — Tiwaryswarnim · 2026-10-02