Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Bridging Symbolic Control and Neural Reasoning in LLM Agents: The Structured Cognitive Loop

Created by
  • Haebom
Category
Empty

저자

Myung Ho Kim

개요

SCL (Structured Cognitive Loop)은 대규모 언어 모델 (LLM) 에이전트의 근본적인 문제점 (얽힌 추론과 실행, 휘발성 메모리, 제어되지 않는 행동 시퀀스)을 해결하기 위해 개발된 모듈형 아키텍처입니다. Retrieval, Cognition, Control, Action, Memory (R-CCAM)의 5단계로 에이전트의 인지 과정을 명확하게 분리합니다. 핵심은 Soft Symbolic Control로, 확률적 추론에 기호적 제약을 적용하여 신경 유연성을 유지하면서 고전적인 기호 시스템의 설명 가능성과 제어 가능성을 복원합니다. 다단계 조건부 추론 작업에 대한 실험적 검증을 통해 SCL은 정책 위반 제로, 중복된 도구 호출 제거, 완전한 의사 결정 추적성을 달성했습니다.

시사점, 한계점

•
시사점:
◦
ReAct, AutoGPT, 메모리 증강 접근 방식과 같은 기존 프레임워크의 중요한 격차를 해결했습니다.
◦
하이브리드 인텔리전스 분류 내에서 SCL의 위치를 제시하고, 프롬프트 중심 및 메모리 전용 접근 방식과 차별화했습니다.
◦
Soft Symbolic Control을 정식으로 정의하고, 신경-기호 AI와 비교했습니다.
◦
신뢰할 수 있는 에이전트를 위한 세 가지 설계 원칙 (모듈식 분해, 적응형 기호 거버넌스, 투명한 상태 관리)을 도출했습니다.
◦
R-CCAM 루프 아키텍처를 보여주는 완전한 오픈 소스 구현과 GPT-4o 기반 여행 계획 에이전트 데모를 제공했습니다.
◦
전문가 시스템 원리와 현대 LLM 기능을 연결하여 신뢰할 수 있고, 설명 가능하며, 제어 가능한 AI 에이전트로의 실용적이고 이론적인 길을 제시했습니다.
•
한계점:
◦
논문 자체에서 구체적인 한계점이 명시적으로 언급되지 않았습니다. (요약본에 기반)
👍
Made with Slashpage