RuleChef 是一个旨在将大语言模型（LLM）的任务知识“落地”为人类可编辑、可执行规则的框架。该论文于 2026 年 7 月 1 日提交至 arXiv（编号 arXiv:2607.01293v1，属 cs.CL 计算与语言分类），作者为 Ádám Kovács 等三人，全文共 8 页，并以 Apache 2.0 许可证开源发布。
从设计目标看，RuleChef 主要面向文本分类、命名实体识别（NER）和关系抽取等自然语言处理任务。它的核心思路是：给定一段任务描述以及一组带标签的样本，由 LLM 生成可执行的规则；随后，系统会结合更多样本以及人类对既有规则的反馈，对这些规则进行迭代改进。这样一来，原本隐含在模型参数中的任务知识就被外化为人类可以阅读、审查和修改的规则集。
该框架的另一项能力是“引导式启动”（bootstrap）。对于某个已有任务，只要观察到任意现有模型在该任务上的输入输出对，RuleChef 就能据此自动引导生成初始规则。这为那些已部署模型但缺乏显式规则描述的场景提供了一条迁移路径。
在工程实现上，RuleChef 有一个关键的约束：LLM 只在“学习阶段”被使用。具体而言，LLM 负责合成规则，并在留出验证集（held-out split）上衡量失败情况，据此对规则进行迭代修补（patching）。一旦规则生成完成，实际运行阶段就不再依赖 LLM，最终产出的是一个运行快速、确定性可复现且可检查的规则系统。这一点与直接调用 LLM 做推理的方案形成鲜明对比，后者往往存在延迟高、结果不稳定、难以审计等问题。
论文报告了初步评估结果，覆盖分类任务与 NER 任务两类场景。不过需要注意的是，作者明确将这些结果定位为“初步评估”（preliminary evaluation），说明其验证范围仍然有限，尚未给出大规模或跨领域的系统性对比。
此外，论文提供了 PDF、实验性 HTML 版本以及 TeX 源码等多种获取方式，并给出了 DOI（https://doi.org/10.48550/arXiv.2607.01293）。提交历史显示，v1 版本于 2026 年 7 月 1 日 13:09:49 UTC 提交，文件大小约 46 KB。
总体而言，RuleChef 的价值在于提出了一种折中范式：借助 LLM 的生成能力来构建规则，但把最终决策权交给确定性、可解释的规则引擎，从而在保留 LLM 知识覆盖面的同时，满足生产环境对速度、确定性和可审计性的要求。