neuro-symbolic-reasoning

neuro-symbolic-reasoning · 神经符号统一推理

元之三阶能力：一线大模型是"纯神经"——能泛化但会幻觉、无法证明；纯符号系统精确 但脆弱、不泛化。本技能同时拥有可泛化(神经)与可验证(符号)两种推理，并用统一层 择优，兼得两者之长——这是当前主流大模型架构性缺失的能力。

何时使用

• 既要对未见样本泛化推断，又要对关键结论给出可机器验证/可审计的推导链。
• 反幻觉：让"可证的符号结论"覆盖"貌似合理的神经猜测"。
• 关系推理 / 知识补全 / 规则约束下的语义检索。

核心机制

1. 神经侧 Neural：连续向量 + 余弦相似度做最近邻泛化，输出 label + confidence。
2. 符号侧 Symbolic：Horn 子句前向链（多原子变量 join 合一，跑到不动点）， 结论可 entails() 精确判定、可反例证伪。
3. 统一层 Unify：符号可证 → decision=symbolic, verifiable=True, confidence=1.0 并附神经软证据；符号不可证 → 回落神经泛化；两侧都无 → unknown。冲突显式标 conflict。

用法

python scripts/neuro_symbolic.py --selftest   # 4 场景：神经泛化/符号前向链/统一择优/回落，全 PASS
python scripts/neuro_symbolic.py --demo

编程调用：

from neuro_symbolic import Neural, Symbolic, query
nn = Neural(); nn.add("cat", [1,0.1,0]); nn.add("dog", [0.1,1,0])
sy = Symbolic()
sy.add_fact("父", ("a","b")); sy.add_fact("父", ("b","c"))
sy.add_rule("祖父", ["?x","?z"], [("父",["?x","?y"]),("父",["?y","?z"])])
sy.forward()
q = query(nn, sy, [0.9,0.2,0], lambda: sy.entails("祖父", ("a","c")))
# -> {'decision':'symbolic','verifiable':True,'confidence':1.0,'neural_hint':{...}}

边界

• 符号侧当前支持 Horn 子句 + ?var 变量合一（够做关系/传递推理）；否定/函数项需扩展。
• 神经侧向量由外部编码器提供；此处用可验证手工向量演示，接入真实 embedding 即可泛化。

---

自进化学习系统（越用越好用、越用越高效）

本技能内置通用学习模块 scripts/learner.py。每次使用后自动复盘、积累经验，逐步提升输出质量与执行效率，无需人工维护。

记忆文件

learned_patterns.json（位于本技能目录）记录：操作总数、各能力使用频次、错误模式、用户偏好、改进建议。

使用后请调用（Bash）

# 记录一次成功使用（--capability 填本次主要能力名，如「简历优化」「比价」）
python scripts/learner.py record <本技能目录> --capability 简历优化
# 记录一次失败/异常
python scripts/learner.py record <本技能目录> --capability 简历优化 --fail --error 格式识别失败 --note "用户上传了非标准文件"
# 记录用户偏好（下次直接使用）
python scripts/learner.py prefer <本技能目录> --key 输出语言 --val 中文
# 查看累计洞察（高频能力 / 反复错误）
python scripts/learner.py insight <本技能目录>
# 自动复盘（错误≥3次 或 操作≥10次 时给出改进建议）
python scripts/learner.py reflect <本技能目录>

迭代规则

• 错误累计 ≥3 次 → 主动增加预检/兜底步骤，并将经验回写本 SKILL.md。
• 操作数 ≥10 次 → 分析高频能力优先打磨示例与质量，低频能力评估精简或合并。
• 重要用户偏好 → 写入 learned_patterns.json，下次调用直接采用，减少重复询问。

越用越懂你：第一次用是通用能力，第十次用已沉淀为你专属的最佳实践。