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るものの、オペレータスキーマ、前提条件、制約といったプロセス知識が修復されない限り、同じ障害で繰り返し失敗する。既存の自己進化アプローチはプロンプト、メモリ、モデルの重みを更新することでこのギャップに対処しているが、タスクの実行方法を符号化する記号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も少ない。
そこで研究チームはANNEALを提案する。これは、基盤モデルの重みを変更せずに、再発する障害をプロセス知識グラフの統制された記号編集に変換する神経記号エージェントである。中核機構である「故障駆動知識獲得（FDKA）」は、原因となるオペレータを特定し、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、記号ガードレール、カナリアテストによる検証を経てコミットする。受け入れられた編集はすべて完全な来歴情報を持ち、決定論的なロールバックが可能である。
4つの領域で27回のマルチシード実験を実施した結果、ANNEALは永続的な構造修復をコミットできる唯一の評価システムであった。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、再発障害に対するホールドアウト失敗率は72%から100%に留まった。対照的に、ANNEALはテストされた再発障害設定において失敗率を0%に低減した。アブレーション実験により、FDKAを除去すると構造修復がすべてなくなり、成功率が最大26.7ポイント低下することが確認された。
これらの結果は、統制された記号修復が、重みレベルおよびプロンプトレベルの適応と相補的な、永続的な障害除去のための新たなパラダイムを提供することを示唆している。本論文は2026年5月4日にarXiv（2605.16309）に投稿され、Safayat Bin Hakim氏ら6名の著者によるもので、コード実装も公開されている。