Новый метод индукции примитивов рассуждения повышает точность ИИ-агентов на 44 процентных пункта

Научная статья, опубликованная на arXiv, описывает новый подход к улучшению LLM-агентов, работающих по схеме ReAct. Метод получил название Reasoning Primitive Induction — индукция примитивов рассуждения. Он позволяет извлекать повторяющиеся логические ходы из успешных траекторий агентов и превращать их в компактную библиотеку типизированных псевдоинструментов.

Каждый псевдоинструмент описывается на естественном языке и интерпретируется LLM во время выполнения. На тестовом этапе агент использует стандартный цикл ReAct для композиции этих примитивов. По словам авторов, это позволяет выйти за рамки ограничений одноразовых скретч-падов, в которых обычно остаются повторяющиеся шаблоны.

Результаты экспериментов впечатляют: на тесте RuleArena NBA точность выросла на 44 процентных пункта — с 30% до 74%. На задаче MuSR team allocation улучшение составило 30 пунктов (с 38% до 68%), а на NatPlan meeting planning — 22 пункта (с 7% до 29%).

Всего исследователи проверили метод на пяти сопоставимых подзадачах, охватывающих нарративную дедукцию, применение правил и планирование с учётом ограничений. Единая конфигурация метода превзошла на всех подзадачах нулевой вариант Chain-of-Thought, а также сравнялась или обогнала решения, созданные экспертами. Кроме того, подход показал более высокую точность, чем AWM, при более низких средних вычислительных затратах.

Ключевое преимущество предложенного метода — однопроходность. Для построения библиотеки не требуется многократного обучения или дообучения модели. Это делает метод практичным для реальных сценариев, где важно быстро адаптировать агента к новым типам задач.

Разработка открывает путь к более эффективным и интерпретируемым системам ИИ, способным учиться на собственном опыте без ручного проектирования цепочек рассуждений. Ожидается, что дальнейшие исследования позволят применить метод в более широком спектре предметных областей.