Structured Cognitive Loop: Symbolische Kontrolle trifft neuronale Logik
Neutrale Sprachmodelle stoßen bei komplexen Aufgaben an ihre Grenzen: ihre Logik und Ausführung sind ineinander verwoben, ihr Gedächtnis ist flüchtig und ihre Handlungen können unkontrolliert ablaufen. Das neue Architekturmodell Structured Cognitive Loop (SCL) löst diese Probleme, indem es die Agentenkognition in fünf klar abgegrenzte Phasen unterteilt – Retrieval, Cognition, Control, Action und Memory (R‑CCAM).
Im Mittelpunkt steht Soft Symbolic Control, ein adaptives Governance‑Modul, das symbolische Regeln auf probabilistische Inferenz anwendet. Dadurch bleibt die neuronale Flexibilität erhalten, während gleichzeitig die Erklärbarkeit und Steuerbarkeit klassischer symbolischer Systeme wiederhergestellt werden.
Durch umfangreiche Tests an mehrstufigen, bedingten Logikaufgaben konnte SCL nachgewiesen werden: keine Regelverletzungen, keine überflüssigen Tool‑Aufrufe und vollständige Nachvollziehbarkeit aller Entscheidungen. Diese Ergebnisse schließen entscheidende Lücken, die bei bestehenden Ansätzen wie ReAct, AutoGPT oder reinen Gedächtnis‑Erweiterungen bestehen.
Die Autoren stellen drei Kernbeiträge vor: Erstens positionieren sie SCL im Taxonomie‑Rahmen der hybriden Intelligenz und differenzieren es von prompt‑zentrierten und reinen Gedächtnis‑Ansätzen. Zweitens definieren sie Soft Symbolic Control formal und vergleichen es mit neuro‑symbolischer KI. Drittens leiten sie drei Designprinzipien für vertrauenswürdige Agenten ab – modulare Zerlegung, adaptive symbolische Governance und transparente Zustandsverwaltung.
Zur Veranschaulichung wird eine vollständige Open‑Source‑Implementierung des R‑CCAM‑Loops bereitgestellt, ergänzt durch einen Live‑Demo‑Agenten für Reiseplanung, der auf GPT‑4o basiert. Damit verbindet das Modell klassische Expertensystem‑Prinzipien mit den neuesten Möglichkeiten moderner Sprachmodelle.