ANNEAL: ガバナンスされたシンボリックパッチ学習によるLLMエージェントの適応

大規模言語モデル（LLM）ベースのエージェントは、個々の実行エラーから回復できますが、基盤となるプロセス知識（オペレータースキーマ、前提条件、制約）が修復されていない場合、同じ障害で繰り返し失敗します。既存の自己進化アプローチは、プロンプト、メモリ、またはモデル重みを更新することでこの問題に対処していますが、タスクの実行方法をエンコードするシンボリック構造を直接修復するものはなく、安全な展開に必要なガバナンス保証を提供するものはほとんどありません。

本研究では、ANNEALを提案します。これは、基礎モデルの重みを変更せずに、再発する失敗をプロセス知識グラフのガバナンスされたシンボリック編集に変換するニューロシンボリックエージェントです。その中核メカニズムである故障駆動知識獲得（FDKA）は、責任のあるオペレーターを特定し、制約付きLLM生成を通じて型付きパッチを合成し、多次元スコアリング、シンボリックガードレール、カナリーテストを経て検証した後、コミットします。受け入れられた編集はすべて、完全な来歴と確定的なロールバック機能を備えています。

4つのドメイン（ロボットタスク計画、Webナビゲーション、ツール使用、データベースクエリなど）と27のマルチシード実行にわたり、ANNEALは永続的な構造修復をコミットする唯一の評価システムでした。ReActやReflexionなどの強力なベースラインは高いエピソード回復を達成するものの、再発する障害に対して72～100%のホールドアウト故障率を保持しているのに対し、ANNEALはテストされた再発故障設定でこれを0%に削減しました。アブレーションにより、FDKAを除去するとすべての構造修復がなくなり、成功率が最大26.7パーセントポイント低下することが確認されました。

これらの結果は、ガバナンスされたシンボリック修復が、永続的な障害除去のための重みレベルおよびプロンプトレベルの適応を補完するパラダイムを提供することを示唆しています。ANNEALのコード実装はGitHubで公開されており、研究論文は2026年5月4日に提出され、arXiv（ID: 2605.16309）に収録されています。この研究は、長期的な自律動作と高い障害コストが求められる本番環境に特に適した、より信頼性が高くガバナンス可能なLLMエージェントシステムの構築に向けた新たな方向性を開くものです。