Schema：通过智能体式程序归纳发现未知环境

在规则未知的陌生环境中学习完成任务，仍然是 LLM 智能体面临的关键挑战。当前的 LLM 智能体通常以散文形式记录其发现，但这种方式可能无法紧凑、明确地说明环境的运作方式。受科学家将观察结果组织成可检验、可预测理论的方式启发，我们提出了 Schema——一种通过交互式程序归纳来组织学习与行动的智能体框架。LLM 智能体决定要调查什么以及如何行动，并将其对环境不断演化的理解表达为可执行程序。该框架由一个持久化程序工作区和一组简洁的接口组成，用于根据交互历史检查这些程序、在程序中进行规划，以及在逐步验证下执行计划。在使用相同基础模型的情况下，Schema 将 ARC-AGI-3 RHAE 的得分从 58.7% 提升至 99.2%，在公开的 DiG-bench 游戏中达到 100% 的解决率，并在 MazeBench 上达到排名前 50 的人类玩家的中位表现。广泛的分析表明，Schema 在发现未知机制方面非常有效，消融实验也证实了各个组件的贡献。