原文：https://arxiv.org/pdf/2506.10021
翻译pdf：https://download.csdn.net/download/tq1086/92821280
译文tex: https://download.csdn.net/download/tq1086/92821283
从工具调用到符号思维：持久化Lisp元编程循环中的大语言模型（总结）
引言
大型语言模型（LLMs）在各类任务中展现出卓越能力，但其与外部工具的交互多依赖预定义API和静态工具集，限制了模型自主构建和演化工具环境的能力。本文提出一种创新架构：赋予语言模型使用Lisp REPL（读取-求值-打印循环）作为持久化编程与推理环境的能力，使LLM能够在生成过程中动态定义、调用Lisp函数，跨会话维护状态，实现超越纯文本生成的结构化推理。
为什么选择Lisp？
Lisp作为符号AI的基石语言，具备多项独特优势：
同像性是Lisp最显著的特征------代码与数据采用统一的括号表达式表示，这种结构简洁、规则一致，大幅降低了语言模型的认知与计算负担，使其能更专注于语义内容而非语法正确性。
历史积淀与表达能力方面，Lisp自John McCarthy创立以来，一直是符号AI的核心载体，拥有丰富的推理系统、知识表示框架和元编程传统。其宏系统、一等符号和动态重定义能力，允许人类与AI共同演进语言本身。
工程实用性上，Common Lisp凭借丰富的标准库、强大的对象系统（CLOS）、先进的条件处理机制以及成熟的文档生态，在理论优雅与工程务实间取得平衡，成为AI增强编程环境的理想基础。
系统架构设计
该系统由三大核心组件构成：
语言模型后端 负责处理用户输入并生成自然语言响应，其中可嵌入用<lisp>...</lisp>标签包裹的可执行Lisp表达式。此标签不同于<thinking>等内部推理标记，它明确包含可执行代码。
中间件层 作为流感知代理，实时拦截模型输出。检测到<lisp>代码块时，暂停生成流程，提取代码转发至Lisp解释器执行，捕获返回值后插入原位置，再恢复生成。这种机制实现了动态运行时计算，同时保持交互流畅性。
持久化Lisp REPL（如SBCL实例）维护长期程序状态，跨轮次保留函数定义、变量和环境。它支持自省、宏展开和动态重定义，赋能符号推理与元编程。
核心能力与优势
该架构带来多重突破：
有状态工具构建：Lisp定义在会话间持久存在，模型可随时间积累功能、宏和工具库，构建持续演进的工具体系，支持更复杂的行为。
反射性编程：Lisp的自省设计使模型能动态查询可用函数、检查源代码、重定义过程，实现自我意识的生成流，实时调试和完善自身行为。
元编程灵活性：通过宏系统和高阶函数，模型可定义领域特定语言（DSL），将复杂模式封装为可复用形式，按需塑造交互环境。
生成式自我扩展：利用Lisp修改自身结构的能力，模型有望构建生成流水线、可复用例程，甚至搭建自身推理架构，探索自适应系统的研究前沿。
强化学习接口：持久化REPL为推理导向的强化学习提供自然接口，模型可通过具体评估测试假设、迭代优化策略，结合符号工具与强化学习开发复杂思维过程。
应用场景与安全考量
该系统适用于科学计算（符号代数、方程求解）、交互式编程辅助（动态构建工具包）、智能体框架（任务委托与多智能体协调）以及自然语言到逻辑的动态翻译等场景。
安全方面，任意代码执行风险需通过沙箱容器隔离、运行时监控和访问控制来缓解，确保动态交互中的系统安全性。
结论与展望
本文提出的概念设计将持久化Lisp REPL与语言模型集成，实现动态工具构建、反思性推理和结构化程序交互。该架构为自扩展AI系统和混合符号-神经架构的研究奠定基础，未来工作将聚焦于流式中间件优化、混合推理基准测试、多智能体共享符号空间，以及安全协议与元学习机制的深入探索。