#Neurosymbolic

3 篇

SCOPE: Compiling Natural-Language Policies into Neurosymbolic Predicate Programs

SCOPE：将自然语言策略编译为神经符号谓词程序

🧭 Agent 策略执行 · 神经符号编译

Plurai

将复杂 Agent 策略编译为可执行神经符号谓词程序，用对抗反例联合优化，实现低成本高稳定策略判决

📌 工作参考价值（4 点）

可将复杂业务合规/风控规则（如广告审核、客服 Agent 禁言/承诺约束）编译为“小模型谓词 + 确定性提取器 + 代码组合”的可执行程序，替代大模型黑盒 judge，降低线上推理成本和延迟。
用对抗反例生成围绕“程序偏离策略”的地方补充训练数据，尤其适合长尾违规场景；训练时先用最弱执行器/小模型优化谓词，再直接迁移到其他小模型部署，减少重复调优。
每个判决可回溯到具体谓词输出，便于风控审计、线上排查和业务规则解释；在需要稳定复现的合规场景，优先考虑这种神经符号方案而非纯 LLM-as-judge。
在电商 Agent 中，可把退换货政策、价格承诺、营销文案限制等自然语言策略转化为确定性谓词，仅对模糊语言判断使用小模型，混合执行以提升整体可靠性。

Agent | 2026-10-21 | HF Daily | score 6/10

Causal Modeling of Adverse Pregnancy Outcomes via Adaptive LLM Proposals

基于自适应 LLM 提议的不良妊娠结局因果建模

🧭 LLM 自适应提议的因果发现 ★ 深度解读

The University of Texas at Dallas · Technical University of Darmstadt · Swarthmore College · Indiana University School of Medicine · Hessian Center for AI (hessian.ai)

将 LLM 作为自适应提议分布，按数据评分迭代生成因果图，恢复全部专家边并发现新边

📌 工作参考价值（4 点）

在需要 LLM 生成结构化对象（因果图、推荐路径、用户特征关系）时，建议用 Sample-Evaluate-Update 循环替代 one-shot：批量采样候选 → 用业务/数据打分 → 将 top-K 候选作为 in-context examples 喂回 LLM，能显著提升结构正确性和稳定性。
可把先验业务规则编码为 forbidden edges/硬约束，在 LLM 生成阶段直接过滤非法候选，避免后续修复成本；这与电商场景中时间顺序、曝光/点击因果限制、类目层级约束非常类似。
用 top-K 候选的“共同边/共同项”压缩表示替代全量候选列表，最多可减少 3 倍 prompt token，同时保持接近的性能；适合在线 Agent 或 RAG 里做预算受限的 LLM 探索。
结构评分上用决策树局部结构替代 BIC 的 full CPT penalty，更适合高基数离散特征或稀疏观察数据；在推荐系统里做轻量因果图/特征依赖建模时可以复用这一 trick。

Reasoning | 2026-08-21 | cs.LG | score 8/10

Causal Discovery LLM as Proposal Neurosymbolic Estimation of Distribution Medical AI

NeSy-RAG: Neuro-Symbolic RAG for Explainable Question Answering

神经符号检索增强生成用于可解释问答

🧭 神经符号RAG · 可解释推理

Data Science Group, Heidelberg University, Germany

将检索文本块合成为可归因的Prolog模块并引入知识缺口检测，实现透明可溯源的RAG推理

📌 工作参考价值（4 点）

在对话式推荐或客服Agent中，可将检索到的商品知识/政策文本转化为Prolog谓词，实现决策步骤的可追溯和确定性验证，提升用户信任。
知识缺口检测机制可移植到个性化推荐：当用户上下文不完整时（如未提供偏好尺寸、预算），系统主动追问，改善冷启动和动态探索。
利用LLM从非结构化语料（商品描述、活动规则）自动抽取结构化规则（布尔断言），与推荐引擎结合，构建可解释的过滤/排序逻辑。
在Agent关键推理节点，嵌入神经符号混合策略：用LLM完成灵活的语言理解，用符号执行保障逻辑一致性，平衡泛化与可靠性。

RAG | 2026-08-06 | cs.CL | score 7/10

Neurosymbolic RAG Explainable QA Prolog Knowledge Gap Detection