Resumen: La adopción empresarial de modelos de lenguaje grande (LLM) está limitada por las alucinaciones, la deriva de dominio y la incapacidad de hacer cumplir las normas a nivel de razonamiento. Presentamos una arquitectura neurosimbólica implementada dentro de la plataforma Foundation AgenticOS (FAOS) que aborda estas limitaciones a través del razonamiento neuronal restringido por ontología. Nuestro enfoque introduce un marco ontológico de tres capas (ontologías de rol, dominio e interacción) que proporciona una base semántica formal para los agentes empresariales basados en LLM. Formalizamos el concepto de acoplamiento neurosimbólico asimétrico, en el que el conocimiento ontológico simbólico restringe las entradas de los agentes (ensamblaje de contexto, descubrimiento de herramientas, umbrales de gobernanza) al tiempo que proponemos mecanismos para extender este acoplamiento para restringir las salidas de los agentes (validación de respuestas, verificación de razonamiento, verificación de cumplimiento). Evaluamos la arquitectura a través de un experimento controlado (600 ejecuciones en cinco industrias: tecnología financiera, seguros, atención médica, banca vietnamita y seguros vietnamitas), y descubrimos que los agentes acoplados a ontologías superan significativamente a los agentes no conectados en precisión métrica (p < 0,001, W = 0,460), cumplimiento normativo (p = 0,003, W = 0,318) y coherencia de roles (p < 0,001, W = 0,614), con mejoras. mayor donde el conocimiento paramétrico del LLM es más débil, particularmente en dominios localizados en Vietnam. Nuestras contribuciones incluyen: (1) un modelo formal de ontología empresarial de tres capas, (2) una taxonomía de patrones de acoplamiento neurosimbólico, (3) descubrimiento de herramientas restringidas por ontología mediante puntuación de pushdown SQL, (4) un marco propuesto para la validación ontológica del lado de salida, (5) evidencia empírica del efecto de conocimiento paramétrico inverso de que el valor de base ontológica es inversamente proporcional a la cobertura de datos de entrenamiento LLM del dominio, y (6) un sistema de producción que sirve a 21 industrias verticales con más de 650 agentes.
Publicado originalmente en export.arxiv.org el 1 de abril de 2026.
Ver fuente original
