Resumen: Los agentes de modelos de lenguaje grandes sufren problemas arquitectónicos fundamentales: razonamiento y ejecución enredados, volatilidad de la memoria y secuencias de acción incontroladas. Presentamos el Bucle Cognitivo Estructurado (SCL), una arquitectura modular que separa explícitamente la cognición del agente en cinco fases: recuperación, cognición, control, acción y memoria (R-CCAM). En el núcleo de SCL se encuentra el control simbólico suave, un mecanismo de gobernanza adaptativo que aplica restricciones simbólicas a la inferencia probabilística, preservando la flexibilidad neuronal y al mismo tiempo restaurando la explicabilidad y controlabilidad de los sistemas simbólicos clásicos. A través de la validación empírica en tareas de razonamiento condicional de varios pasos, demostramos que SCL logra cero violaciones de políticas, elimina llamadas de herramientas redundantes y mantiene una trazabilidad completa de las decisiones. Estos resultados abordan lagunas críticas en los marcos existentes, como ReAct, AutoGPT y los enfoques de memoria aumentada. Nuestras contribuciones son triples: (1) situamos a SCL dentro de la taxonomía de la inteligencia híbrida, diferenciándola de los enfoques centrados en indicaciones y solo en la memoria; (2) definimos formalmente el Control Simbólico Suave y lo contrastamos con la IA neurosimbólica; y (3) derivamos tres principios de diseño para agentes confiables: descomposición modular, gobernanza simbólica adaptativa y gestión estatal transparente. Proporcionamos una implementación completa de código abierto que demuestra la arquitectura de bucle R-CCAM, junto con un agente de planificación de viajes en vivo con tecnología GPT-4o. Al conectar los principios de los sistemas expertos con las capacidades modernas de LLM, este trabajo ofrece un camino práctico y teóricamente fundamentado hacia agentes de IA confiables, explicables y gobernables.
Publicado originalmente en export.arxiv.org el 25 de noviembre de 2025.
Ver fuente original
