语言智能体的程序性记忆：以显式目标结构为核心的神经符号视角

研究指出大语言模型在需要程序性推理的长时程任务上仍不可靠，关键原因之一是缺少显式的程序性记忆，即关于任务如何完成的可访问、可修改知识，区别于语义记忆和情景记忆。Goal-Oriented Graphs 被提出作为这种记忆的表示形式，将目标与前置依赖编码为可检查的符号结构。文章考察了这类结构的构建方式、带来的挑战，以及与神经推理结合的原则。