LLM agent에 대한 표준화된 Prolog 도구 인터페이스: PrologMCP

프론티어(_frontier) 논리 reasoning-tuned 언어 모델은 깊은 deductive 작업에서 실패하고, 내부 reasoning을 확장하여 성능을 개선하는 비용은 좋지 않다. Symbolic delegation은 논리 프로그래밍의 자동 formalization pipe line을 통해 문제를 번역하고, 해결기를 통해 추론을 수행하는 보완적인 경로를 제공한다. 그러나 현재 논리 프로그래밍의 자동 formalization pipe line은 일반적으로 특정 작업이나 agent에 대한 bespoke integration이다. 우리는 PrologMCP라는 task-agnostic, open-source server를 소개한다. PrologMCP는 Model Context Protocol(MCP)을 통해 Prolog을 stateful tool로 노출한다. compact tool interface, structured error reporting, 그리고 per-session isolation 덕분에 translate-run-inspect-repair loop은 MCP-capable agent에서 재사용 가능한 primitive로 만들어진다. 우리는 formalizer agent를 PrologMCP와 함께 evaluation한다. formalizer agent는 standard 및 reasoning LLM(Claude Sonnet 4.6, GPT-4.1, o4-mini)와 비교하여 PARARULE-Plus의 두 subset에 대한 performance를 측정한다. general-purpose sample에서 formalizer agent는 reasoning LLM과 정확도 1.00를 달성하며, standard 모델보다 큰 gain을 보인다(GPT-4.1의 경우 0.762). challenging subset에서 formalizer agent는 near-perfect(1.00 / 0.99) 성능을 유지하며, reasoning LLM은 0.95 / 0.94로 떨어진다. 이러한 결과는 Prolog을 통해 inference를 delegate하는 MCP가 extended natural-language reasoning의 robust하고 inspectable 대안이라는 것을 제시한다. (대규모 언어 모델(LLM), deductive 작업, symbolic delegation, 논리 프로그래밍, 자동 formalization pipe line, PrologMCP, Model Context Protocol(MCP), stateful tool, translate-run-inspect-repair loop, MCP-capable agent, formalizer agent, reasoning LLM, Claude Sonnet 4.6, GPT-4.1, o4-mini, PARARULE-Plus)