对齐进度与可行性：面向长程 LLM 智能体的神经符号双重记忆框架

大型语言模型在长程决策任务中常因全局进度漂移和局部可行性违规而失败。现有单范式方法难以兼顾模糊语义规划与严格逻辑约束。本文提出神经符号双重记忆框架，显式解耦二者：利用基于神经网络的进度记忆从成功轨迹提取语义蓝图指导全局推进；同时利用基于符号逻辑的可行性记忆，通过失败转换合成的 Python 验证函数执行严格逻辑校验。实验表明，该方法在多个基准上显著优于现有基线，大幅降低无效动作率并缩短轨迹长度。