Review of Case-Based Reasoning for LLM Agents: Theoretical Foundations, Architectural Components, and Cognitive Integration

要約

大規模な言語モデル（LLMS）を搭載したエージェントは、最近、さまざまなタスクで印象的な機能を実証しています。
それでも、彼らは、特定の構造化された知識、柔軟性、または説明責任のある意思決定を必要とするタスクの制限に直面しています。
エージェントは環境を知覚し、推論を形成し、目標に向けて行動を計画し、実行することができますが、多くの場合、幻覚や相互作用全体の文脈的記憶の欠如などの問題に直面しています。
このペーパーでは、過去の経験を参照することで新しい問題を解決する戦略であるケースベースの推論（CBR）をLLMエージェントフレームワークに統合する方法を探ります。
この統合により、LLMは明示的な知識を活用して、その有効性を高めることができます。
これらの強化されたエージェントの理論的基礎を体系的に確認し、重要なフレームワークコンポーネントを特定し、ケース検索、適応、および学習のCBRプロセスの数学モデルを策定します。
また、CBR強化エージェントを、考え方の推論や標準的な検索の高等世代などの他の方法に対して評価し、それらの相対的な強さを分析します。
さらに、目標主導の自律運動メカニズムを介してCBRの認知的次元（自己反省、内省、好奇心を含む）を活用することで、LLMエージェント機能をさらに強化する方法を探ります。
ニューロ – シンボリックハイブリッドシステムに関する進行中の研究に貢献しているこの作業は、CBRを、自律LLMエージェントの推論スキルと認知的側面を強化するための実行可能な手法として仮定しています。

要約(オリジナル)

Agents powered by Large Language Models (LLMs) have recently demonstrated impressive capabilities in various tasks. Still, they face limitations in tasks requiring specific, structured knowledge, flexibility, or accountable decision-making. While agents are capable of perceiving their environments, forming inferences, planning, and executing actions towards goals, they often face issues such as hallucinations and lack of contextual memory across interactions. This paper explores how Case-Based Reasoning (CBR), a strategy that solves new problems by referencing past experiences, can be integrated into LLM agent frameworks. This integration allows LLMs to leverage explicit knowledge, enhancing their effectiveness. We systematically review the theoretical foundations of these enhanced agents, identify critical framework components, and formulate a mathematical model for the CBR processes of case retrieval, adaptation, and learning. We also evaluate CBR-enhanced agents against other methods like Chain-of-Thought reasoning and standard Retrieval-Augmented Generation, analyzing their relative strengths. Moreover, we explore how leveraging CBR’s cognitive dimensions (including self-reflection, introspection, and curiosity) via goal-driven autonomy mechanisms can further enhance the LLM agent capabilities. Contributing to the ongoing research on neuro-symbolic hybrid systems, this work posits CBR as a viable technique for enhancing the reasoning skills and cognitive aspects of autonomous LLM agents.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google