PrologMCP：面向LLM代理的标准化Prolog工具接口
摘要： 前沿的推理调优语言模型在深度演绎任务上仍然存在失败，而通过扩展内部推理来提升性能的成本高昂且扩展性差。符号化委托提供了一条互补路径：语言模型负责翻译问题，而求解器负责执行推理。然而，当前用于逻辑编程的自动形式化流程通常是针对特定任务或代理的定制化集成。我们提出了PrologMCP，一个任务无关的开源服务器，通过模型上下文协议（MCP）将Prolog暴露为有状态工具。其紧凑的工具接口、结构化的错误报告以及每会话隔离机制，使得“翻译-运行-检查-修复”循环成为MCP兼容代理的可复用原语。我们在PARARULE-Plus的两个子集上评估了增强PrologMCP的形式化代理，并与标准及推理LLM（Claude Sonnet 4.6、GPT-4.1和o4-mini）进行了对比：一个通用样本集，以及一个更具挑战性的子集，针对自然语言推理的特定失败模式。在通用样本集上，形式化代理达到或超越了推理LLM（准确率1.00对比1.00/0.998），相较于标准模型提升最大（GPT-4.1为0.762）。在挑战性子集上，形式化代理保持近乎完美（1.00/0.99），而推理LLM降至0.95/0.94。这些结果表明，通过MCP将推理委托给Prolog是扩展自然语言推理的一种稳健且可检查的替代方案。