Agent Symbolic Learning：符号反向传播驱动的自进化智能体

Agent Symbolic Learning 将智能体视为符号网络，用语言梯度在自然语言空间优化提示词、工具和管线连接，形成可解释的自改进路径。

核心思想

将智能体参数化为符号网络，其中”可学习权重”是提示词（𝒫）、工具（𝒯）和管线连接（ℐ, 𝒪）。模仿深度学习中的反向传播和梯度下降，但全部在自然语言空间中操作。

语言梯度

算法的核心是”语言梯度”∇_lang——一段自然语言描述，说明如何改进每个组件，沿 Agent 的计算图反向传播：

1. 前向执行：Agent 在任务上执行 → 生成轨迹 τ
2. 语言损失：ℒ_lang = LLM(𝒫_loss(τ))
3. 语言梯度反传：逐层（从输出到输入）计算改进建议
4. 权重更新：PromptOptimizer、ToolOptimizer、PipelineOptimizer 分别更新各层

Benchmark 结果

局限性

• 需要 GPT-4 级别骨干模型计算梯度
• 无理论收敛保证
• 每步多次 LLM 调用，计算成本高

← 返回研究图谱