学习经验的核心在于提取可复用的知识，并判断其何时适用于新情境。OntoAct 是一种基于本体抽象的假设驱动神经符号框架，它将单个经验转化为实体类型、关系和条件上的公理，使底层模式能够跨情境复用。\ \ 在 OntoAct 中，大语言模型（LLM）利用这些世界知识生成假设和行动方案；符号验证器则根据当前观测检查假设的支持条件。验证过程会揭示缺失的证据，随后通过新的观测和干预结果更新假设评估，并指导后续行动。\ \ 我们还推出了 Tacit-FLE 基准，基于 Factorio Learning Environment（FLE）构建，用于诊断并修复已有工厂中的隐藏故障。该合成维护语料库将证据分散在操作记录中，而一次执行的修复可能未能彻底消除故障，要求代理通过交互重新评估诊断。\ \ 在 Tacit-FLE、Mars 和 ALFWorld 三个平台的实验表明，OntoAct 在任务成功率、交互效率和推理成本方面均领先于现有方法。\ \ 点评：OntoAct 将符号抽象与大模型推理有机结合，实现了经验的结构化存储与动态假设验证，为复杂环境中的自适应决策提供了可解释且高效的路径。