เอเจนต์เชิงสัญลักษณ์ผสมโครงข่ายประสาท
ผสานปัญญาประดิษฐ์แบบคลาสสิก เช่น ตัววางแผนและตัวแก้ปัญหา เข้ากับ LLM เพื่อการใช้เหตุผลที่ตรวจสอบได้
เอเจนต์เชิงสัญลักษณ์ผสมโครงข่ายประสาท เป็นบทเรียน AI Agents ฟรีบน CoddyKit นี่คือบทเรียนที่ 2 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน AI Agents และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส AI Agents มีบทเรียนทั้งหมด 4 บทเรียน
บางส่วนของบทเรียนนี้ยังไม่ได้รับการแปล และแสดงเป็นภาษาอังกฤษ
ก้าวพ้น LLM ล้วน
เอเจนต์ที่ใช้ LLM ล้วนมีความยืดหยุ่น แต่ไม่น่าเชื่อถือสำหรับงานที่ต้องใช้การให้เหตุผลอย่างแม่นยำ (คณิตศาสตร์ การวางแผน ตรรกะ) ระบบแบบผสมผสาน LLM เข้ากับเครื่องมือเชิงสัญลักษณ์แบบดั้งเดิม เพื่อให้ได้ทั้งความยืดหยุ่นและความแม่นยำ
ตัวอย่างเครื่องมือเชิงสัญลักษณ์
- เครื่องคิดเลข — การคำนวณที่แม่นยำ
- ตัวแก้ปัญหา SAT — ความสอดคล้องได้ของบูลีน
- ตัวแก้ปัญหา SMT (Z3) — ระบบข้อจำกัด
- ตัวพิสูจน์ทฤษฎีบท (ลีน, ค็อก) — การพิสูจน์อย่างเป็นทางการ
- ตัววางแผนแบบดั้งเดิม (PDDL, STRIPS) — แผนหลายขั้นตอนที่มีการรับประกัน
รูปแบบ: LLM เป็นตัวแปล
LLM แปลภาษาธรรมชาติเป็นภาษาทางการ ระบบเชิงสัญลักษณ์แก้ปัญหา และ LLM อธิบาย:
user_query = 'Three students, three rooms, each room one student, Alice not in room 3, Bob in room 1 or 2...'
formal_constraints = llm_to_smt(user_query) # produces Z3 input
solution = z3_solve(formal_constraints)
explanation = llm_explain(solution)รูปแบบ: ตัววางแผนเชิงสัญลักษณ์ + ตัวดำเนินการ LLM
ใช้ PDDL สำหรับแผนระดับสูง แล้วให้ LLM ดำเนินการแต่ละขั้นตอน:
plan = pddl_planner.solve(domain, initial_state, goal)
for step in plan:
llm_execute(step) # LLM figures out HOW to do itรูปแบบ: LLM เรียกใช้ตัวพิสูจน์ทฤษฎีบท
สำหรับการพิสูจน์ทางคณิตศาสตร์:
- LLM เสนอเค้าโครงการพิสูจน์
- ลีน / ค็อกตรวจสอบแต่ละขั้นตอน
- LLM ปรับแก้เมื่อถูกปฏิเสธ
ทำได้ถึงคณิตศาสตร์ระดับงานวิจัย (AlphaProof, DeepSeek-Prover)
รูปแบบ: กราฟความรู้ + LLM
สำหรับคำถามเชิงข้อเท็จจริง ให้ค้นกราฟความรู้ (นีโอโฟร์เจ, วิกิดาตา) เพื่อรับข้อเท็จจริงที่ตรวจสอบแล้ว จากนั้นให้ LLM เรียบเรียงคำตอบ:
facts = kg.query('SELECT ?spouse WHERE { :Einstein :spouse ?spouse }')
answer = llm.invoke(f'Format these facts: {facts}')รูปแบบ: ทางสำรองที่อิงกฎ
หากคำค้นตรงกับกฎที่รู้จัก ให้ใช้กฎนั้นโดยตรง ใช้ LLM เฉพาะกับคำค้นที่อยู่นอกชุดกฎ:
if rules.match(query):
return rules.apply(query)
return llm_fallback(query)ทำไมต้องใช้ระบบแบบผสมผสาน
- ความน่าเชื่อถือ — ระบบเชิงสัญลักษณ์ไม่สร้างข้อมูลหลอน
- การตรวจสอบได้ — สามารถตรวจสอบคำตอบได้
- ประสิทธิภาพ — วิธีการที่แม่นยำทำงานได้เร็วกว่าในงานที่เหมาะสม
- ความสามารถในการอธิบาย — ร่องรอยอย่างเป็นทางการแสดงกระบวนการให้เหตุผล
เหตุใดระบบเชิงสัญลักษณ์ล้วนจึงไม่เพียงพอ
- อ่านภาษาธรรมชาติได้ยาก
- เปราะบางต่อความแตกต่างเล็กน้อย
- ขยายความสามารถได้ยาก
LLM จัดการด้านมนุษย์ที่ยุ่งยาก ส่วนระบบเชิงสัญลักษณ์จัดการด้านเครื่องจักรที่เคร่งครัด
การวิจัยประสาทเชิงสัญลักษณ์
- DeepMind AlphaGeometry — เรขาคณิตโอลิมปิก
- AlphaProof — คณิตศาสตร์ระดับ IMO
- OpenAI o1 — การค้นหา / การประมวลผลเชิงสัญลักษณ์โดยนัยในการให้เหตุผล
- Google AlphaEvolve — พัฒนาโค้ดร่วมกับตัวตรวจสอบ
การสร้างระบบของคุณเอง
ห่อหุ้มระบบเชิงสัญลักษณ์เป็นเครื่องมือของ LLM:
tools = [
{'name': 'sat_solver', 'description': 'Solve a SAT problem in DIMACS format', 'parameters': ...},
{'name': 'symbolic_math', 'description': 'Solve an equation symbolically with sympy', 'parameters': ...}
]Tool: Sympy for Math
import sympy
from sympy import solve, symbols
x, y = symbols('x y')
result = solve([2*x + y - 5, x - y - 1], [x, y])
print(result)
# {x: 2, y: 1}Tool: Z3 for Constraints
from z3 import Solver, Int, And
s = Solver()
x = Int('x')
s.add(And(x > 5, x < 15, x % 3 == 0))
print(s.check()) # sat
print(s.model())ข้อพิจารณาสำหรับระบบใช้งานจริง
- กลไกเชิงสัญลักษณ์อาจค้างได้ — กำหนดเวลาหมดเวลา
- อินพุตจาก LLM ต้องผ่านการตรวจสอบ (PDDL ที่ถูกต้องตามไวยากรณ์, SMT ที่ถูกต้อง)
- สร้างวงจรป้อนกลับที่กระชับ: ข้อผิดพลาดของตัวแก้ปัญหา -> LLM แก้ไขอินพุต
ประโยชน์ของระบบแบบผสมผสาน
การผสาน LLM เข้ากับระบบเชิงสัญลักษณ์ให้ประโยชน์หลักในด้านใด
สรุปทบทวน
เอเจนต์แบบผสมผสานเป็นทิศทางการวิจัยสำคัญ LLM ทำหน้าที่เป็นตัวแปล กลไกเชิงสัญลักษณ์ทำหน้าที่เป็นตัวแก้ปัญหา และ LLM ทำหน้าที่เป็นผู้วางแผน ตัวตรวจสอบเชิงสัญลักษณ์ทำหน้าที่เป็นผู้ยืนยัน เพิ่มเครื่องมือสำหรับ sympy, Z3, PDDL แล้วเอเจนต์ของคุณจะมีความสามารถประเภทใหม่ทั้งหมด
คำถามที่พบบ่อย
บทเรียน “เอเจนต์เชิงสัญลักษณ์ผสมโครงข่ายประสาท” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “เอเจนต์เชิงสัญลักษณ์ผสมโครงข่ายประสาท” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส AI Agents ให้อัปเกรดเป็น CoddyKit PRO คอร์ส AI Agents มีบทเรียนทั้งหมด 4 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “เอเจนต์เชิงสัญลักษณ์ผสมโครงข่ายประสาท”
ผสานปัญญาประดิษฐ์แบบคลาสสิก เช่น ตัววางแผนและตัวแก้ปัญหา เข้ากับ LLM เพื่อการใช้เหตุผลที่ตรวจสอบได้ คุณปฏิบัติ AI Agents ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน
คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน AI Agents หรือไม่
ไม่จำเป็นต้องมีประสบการณ์มาก่อน AI Agents บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 2 จากทั้งหมด 4 บทเรียน
บทเรียน “เอเจนต์เชิงสัญลักษณ์ผสมโครงข่ายประสาท” ใช้เวลานานแค่ไหน
บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย
ฉันเขียนและรันโค้ดในบทเรียน AI Agents นี้ได้ไหม
ได้ บทเรียน AI Agents ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ
บทเรียนทั้งหมดในหลักสูตรนี้
- การให้เหตุผลแบบเอเจนต์ (o1, o3, โมเดลให้เหตุผล)
- เอเจนต์เชิงสัญลักษณ์ผสมโครงข่ายประสาท
- เอเจนต์หลายรูปแบบ (การมองเห็น + เสียง + การกระทำ)
- ปัญหาที่ยังเปิดอยู่: ความทนทาน การสอดคล้อง และหน่วยความจำระยะยาว