추론 과정을 논리로 연결: 신경-기호 학습을 이용한 장기 계획 에이전트의 프로그램 기반 기술 유도

Lifting Traces to Logic: Programmatic Skill Induction with Neuro-Symbolic Learning for Long-Horizon Agentic Tasks

기반 모델 기반 에이전트는 순수 프롬프트 기반 추론의 일시적인 특성으로 인해 장기 계획에 어려움을 겪는 경우가 많습니다. 기존의 기술 유도 방법은 경험을 상태에 독립적인 매개변수화된 스크립트로 변환하여 이러한 문제를 완화하지만, 동적 환경에서 안정적인 실행에 필요한 조건부 논리를 포착하지 못합니다. 본 논문에서는 상호 작용 기록을 모듈화된, *논리에 기반한* 프로그램으로 변환하는 프레임워크인 신경-기호 기술 유도 (NSI)를 제안합니다. NSI는 명시적인 제어 흐름과 동적 변수 바인딩을 합성하여 에이전트가 *언제* 그리고 *왜* 행동해야 하는지를 학습하도록 지원합니다. 이러한 패러다임은 효율적인 일반화 기능을 가능하게 하며, 에이전트는 소수의 예시로부터 기술을 유도하고, 예측하지 못한 목표에 유연하게 적응할 수 있습니다. 일련의 에이전트 작업에 대한 실험 결과, NSI는 최첨단 기준 모델보다 일관되게 우수한 성능을 보이며, 에이전트가 논리에 기반한 기술의 설계자가 되도록 스스로 발전할 수 있도록 합니다.

Foundation model-driven agents often struggle with long-horizon planning due to the transient nature of purely prompting-based reasoning. While existing skill induction methods mitigate this by distilling experience into state-blind parameterized scripts, they fail to capture the conditional logic required for robust execution in dynamic environments. In this paper, we propose Neuro-Symbolic Skill Induction (NSI), a framework that lifts interaction traces into modular, \textit{logic-grounded} programs. By synthesizing explicit control flows and dynamic variable binding, NSI empowers agents to discover \textit{when} and \textit{why} to act. This paradigm enables the efficient generalization, allowing agents to induce skills from few-shot examples and flexibly adapt to unseen goals. Experiments on a series of agentic tasks demonstrate that NSI consistently outperforms state-of-the-art baselines, empowering agents to self-evolve into architects of logic-grounded skills.