Neurosymbolische Agenten: Gib dem LLM einen Graphen zum Denken
Große Sprachmodelle sind außergewöhnlich starke induktive Denker und überraschend schwache deduktive. Bitte ein Modell, das Muster in tausend Beispielen zu erkennen, und es glänzt; bitte es, eine Kette präziser, welt-spezifischer Randbedingungen über zwanzig Schritte zu halten, und es erfindet selbstsicher eine Tatsache, um die Lücke zu überbrücken. Der neurosymbolische Agenten-Stack von 2026 ist eine direkte Antwort auf diese Asymmetrie: Behalte das LLM als flexiblen Controller und gib ihm eine symbolische Struktur — fast immer einen Graphen —, gegen die es plant, mit der es prüft und die es aktualisiert.
Die Induktions-/Deduktionslücke
Der Fehlermodus ist gut dokumentiert. Ein retrieval-erweitertes Modell kann sich erinnern, dass Berlin in Deutschland liegt, aber es kann „wenn das Paket in Berlin ist und Berlin in Deutschland liegt, dann ist das Paket in Deutschland" nicht zuverlässig über eine Multi-Hop-Frage komponieren, ohne ein Gerüst, das die Komposition verfolgt. Latentes Denken in Gewichten ist approximativ; symbolisches Denken über explizite Struktur ist exakt. Neurosymbolische Systeme bekommen beides, indem sie die Struktur zu etwas Erstem machen, statt zu hoffen, dass sie in Aktivierungen entsteht.
Das Muster ist über die stärksten Systeme von 2026 hinweg konsistent: Das LLM schlägt vor, der Graph entscheidet. Das Modell generiert Kandidatenschritte, Regeln oder Abfragen; ein symbolisches Substrat liefert den prüfbaren Zustand, die Vorbedingungen und die Wahrheitsprüfung.
Die Architektur: ein Controller über einem Graphen-Substrat
Fast jedes System in diesem Feld zerfällt in vier Rollen:
- Ein Controller — das LLM, das entscheidet, was als Nächstes geschieht.
- Ein symbolisches Substrat — meist ein Knowledge Graph, der Fakten, Regeln und Relationen hält.
- Eine Werkzeugschicht — Funktionen, die der Controller aufruft, um den Graphen abzufragen und zu verändern.
- Eine Verifikationsschleife — eine Prüfung, die Schritte zurückweist, die das Substrat nicht stützen kann.
Die Variation liegt darin, wie eng die Rollen gebunden sind. Betrachten wir fünf Systeme, die das Spektrum aufspannen.
Fünf Systeme, ein Muster
| System | Kernidee | Rolle des Substrats | Benchmark-Signal |
|---|---|---|---|
| NeSyFS | Schnelles/langsames Denken unter Teilbeobachtbarkeit | KG ist der Überzeugungszustand | ALFWorld, Webshop, ScienceWorld |
| CoG | Trainingsfreies duales Graph-Reasoning | KG als weiche strukturelle Constraints | WebQSP, CWQ, GrailQA |
| SymAgent |