ECCV2026 LLM Agent 图像生成符号概念学习智能体工作流生成持续学习语言化反向传播组合式图像编辑

SymbOmni: Evolving Agentic Omni Models via Symbolic Concept Learning¶

会议: ECCV2026
论文: ECCV 2026 官方页 / 项目页
领域: LLM Agent / 图像生成
关键词: 符号概念学习, 智能体工作流生成, 持续学习, 语言化反向传播, 组合式图像编辑

一句话总结¶

SymbOmni 不做端到端生成，而是在 ComfyUI 之上搭一个会"长记性"的 agent：把每次解题的成功与失败经验抽象成"符号概念"（带参数槽的可执行工作流模板）存进可优化的 Symbolic Concept Box，靠归纳–转导循环在解题时检索组合、在评测后用语言化反向传播增删改概念，全程不更新任何模型参数，最终在 ComfyBench 上把总解决率从 73.0% 提到 86.0%、GenEval 拿到 0.98，并把总 token 消耗压低 33.9%。

研究背景与动机¶

视觉生成已经渗透到文生图、文生视频和交互式创作等场景，但主流做法仍是"单体大模型"：开源侧的统一生成-理解模型质量不稳定、缺少结构化规划能力，闭源侧的 GPT-Image-1、Nano Banana 虽然能力强却完全封闭，架构灵活性、下游可扩展性和多模态适配都被锁死。更根本的瓶颈不在于单次生成质量，而在于这类系统没有累积学习能力——每个任务被孤立处理，上一件事里成功的做法不会被沉淀成可复用的组件，下一次遇到同类需求仍然只能在固定的参数记忆里"从零推理"。作者把这种状态命名为 perpetual novice（永久新手）问题：组合泛化差、知识保留效率低、推理冗余、决策脆弱。围绕这个问题的现有补救手段各有短板——纯提示或工具调用式 agent 产出的推理链不稳定也不可复用；隐式学习与 workflow 框架要么扩展性差、要么结构过于刚性，无法适应动态需求；而在企业级高度个性化的场景里，靠长上下文"把历史全塞进 prompt"的方法算力代价高，还容易诱发幻觉。

真正的矛盾在于：长期适应要求 agent 把经验抽象成结构化、可组合的知识组件，而当前的统一生成范式恰恰缺这一层。知识只存在于权重里，想改知识就得改参数——代价高、有灾难性遗忘的风险，而且改完也无法解释"系统到底学会了什么"。于是经验既无法以"库"的形式沉淀，也无法被检索、被组合、被单独评估和回滚。

本文的切入角度是在参数之外增设一层显式的符号知识层：Symbolic Concept Box 作为可优化的长期记忆，存放以"带参数槽的工作流模板"形式编码的解题策略；系统通过 Induction（把经验抽象成概念）与 Transduction（把概念组合成新任务的解）构成的闭环运行，并用语言化反向传播（verbalized backpropagation）以自然语言反馈去增删改这层记忆，而不是做梯度更新；在 ComfyUI 上统一覆盖文生图、图像编辑、视频生成等任务，使"omni"来自符号层的可组合性而非权重空间的统一。核心 idea：把视觉生成的解题能力从"权重里的隐知识"搬到"可读写、可组合、可评分的符号概念库"里，用归纳–转导循环加语言化反向传播让 agent 每做一题就强一点，且全程不动一个参数。

方法详解¶

整体框架¶

SymbOmni 的底座是 ComfyUI：一个工作流是节点组成的有向无环图（节点封装一个离散操作，如加载模型、潜空间采样、后处理），序列化成 JSON，能对生成内容做细粒度控制，但要求使用者精通节点选择、参数配置和连线。SymbOmni 要自动化的正是这件事——输入是一条自然语言指令（可附带参考图/视频），输出是真实执行完毕的图或视频，中间产物是一份可执行的 workflow JSON 和一条完整的执行轨迹。系统不碰生成模型的参数，它做的事是：把指令翻译成"概念的组合"，交给 ComfyUI 跑，再用评测 Agent 判定成败，然后把这条轨迹沉淀回概念库——下一题从更好的起点开始。

整个系统围绕 "Induction–Memory–Transduction–Experience" 闭环运转，可拆成四个阶段。转导（Transduction）是解题阶段：把新指令分解成语义子任务，在概念库里做分层检索，再让 LLM 规划器把检索到的概念实例化成可执行的工作流。执行（Execution）把工作流逐步跑完，并记录完整轨迹（指令、工作流、输出、用到的概念、执行日志）。归纳（Induction）是学习阶段：先由评测 Agent 对输出与指令做二值判定，成功则把轨迹抽象成符号经验并扩充概念库，失败则启动语言化反向传播，用双验证信号诊断失败原因、定位该修哪个概念，再重放修正。记忆优化（Memory Optimization）把这一轮得到的结论固化进概念库，分成功经验、负向经验、参数修正三类落库。四步形成正反馈：归纳让记忆更丰富，记忆让下一次转导更准。

概念库的初始化与实验设置有关：论文在 ComfyUI 上准备了一批工作流，其中既有高质量工作流，也故意保留了几条次优工作流，用来考察系统能否在演化中甄别优劣——这一点是后文"概念 Score 参与排序"能否起作用的前提。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400, 'subGraphTitleMargin': {'top': 8, 'bottom': 16}}}}%%
flowchart TD
    A["用户指令<br/>文本 / 参考图 / 视频"] --> B["符号概念与概念箱<br/>Desc + SWI + Params + Score"]
    B --> C["分层检索与实例化<br/>分解 → 召回 → 过滤 → 排序 → 绑定"]
    C -->|"生成并执行工作流"| E{"评测 Agent 判定"}
    subgraph D3["双反馈归纳与语言化反向传播"]
        direction TB
        F["成功：符号抽象<br/>合成新概念 / 强化旧概念"]
        G["失败：双验证定位<br/>语法 + 语义反馈 → 符号梯度 → 重放"]
    end
    E -->|"成功"| F
    E -->|"失败"| G
    F --> H["概念库记忆固化<br/>成功 / 负向 / 参数修正"]
    G --> H
    H -->|"下一任务再从概念箱检索"| C

关键设计¶

1. 符号概念与概念箱：把可复用的解题经验固化成带参数槽的工作流模板

要让经验"可复用"，先得让它"可表示"。SymbOmni 把每个符号概念定义成一个四元组：

\[C_k = (Desc_k,\ SWI_k,\ Params_k,\ Score_k)\]

其中 \(Desc_k\) 是自然语言描述，说清这个概念的用途（它之后要用来算相似度）；\(SWI_k\)（Symbolic Workflow Instruction）是一条参数化的工作流模板，描述一串操作及其顺序；\(Params_k\) 是从历史使用中积累下来的最优参数配置；\(Score_k\) 动态记录该概念的历史有效性。执行时，模板里的参数槽用 \(Params_k\) 中的值填上即可直接跑。因此"符号概念"既不是向量、也不是一段自由文本，而是可执行的程序模板 + 语义描述 + 调好的参数 + 一个效用分：检索靠描述、执行靠模板与参数、排序靠分数，三件事共用同一份表示。

概念库（Concept Box）是这些概念的全集，被形式化为一个语言系统 \(L=(\Sigma, R)\)：\(\Sigma=\{Desc_k\}\) 是语义基元词表，\(R=\{SWI_k\}\) 是规定"哪些工作流组合合法"的产生式规则。这个视角带来的直接后果是：规划不再是从零推导解法，而是在 \(L\) 上做一次语法推导——把已验证的积木拼起来。这也是本文与"工具调用 agent"的关键分野：工具是黑盒调用，概念既携带语义又携带结构，所以能被检索、被组合、被诊断、被定向修改。

2. 分层检索与实例化：让规划变成概念库上的按需组合

拿到新指令 \(I_{new}\) 后，直接让 LLM 去"想一个工作流"是本文要避免的失败模式（推理链长、不稳定、不可复用）。SymbOmni 先做子任务分解，再做两级检索，最后才生成工作流，检索过程可以写成一个复合算子：

\[C_{ret} = Rank \circ Filter_{struct} \circ Retrieve_{sem}(ST, CB)\]

\(Retrieve_{sem}\) 用描述文本的嵌入余弦相似度 \(\cos(\text{Embed}(Desc_k), \text{Embed}(ST_m))\) 从概念库中做语义召回，解决"这题像不像以前做过的"；\(Filter_{struct}\) 按子任务之间的依赖约束过滤掉结构上不可用的候选（例如前置操作缺失的概念）；\(Rank\) 再按 \(Score_k\) 排序，把历史上更管用的概念排前面。随后 LLM 规划器在检索结果与语法 \(G\) 的约束下生成候选工作流 \(WF_{cand}\)，\(Instantiate\) 负责把 \(Params_k\) 绑定到对应模板 \(SWI_k\) 的空槽上，产出真正可执行的 workflow JSON。这一设计的价值不只是"检索增强"：把语义召回、结构约束、效用排序拆成三级，等于把"选错工具"和"工具对但顺序错"两类错误分开处理，前者靠描述相似度、后者靠依赖约束，而后续的失败诊断也能据此指认到底哪一级出了问题。

3. 双反馈归纳与语言化反向传播：把成功与失败都蒸馏成符号知识

学习全部发生在推理之后，且不依赖梯度。每轮执行结束，评测 Agent 会把输出 \(O\) 与指令 \(I_{new}\) 比对，给出二值判定 \(Judge\in\{\text{True},\text{False}\}\)，这个判定把流程分成两条路。判为成功时，轨迹 \(\tau=(I_{new}, WF_{cand}, O, C_{ret}, ExecutionLog)\) 被符号抽象：从这次具体的使用中抽出可推广的部分，要么合成新的复合概念（把这次临时拼出来、但被证明有效的多步组合固化成一个新概念），要么强化已有概念（更新其 \(Params_k\) 与 \(Score_k\)）。

判为失败时，系统进入受语言化反向传播启发的诊断流程：两个互补的验证器同时审视这条轨迹——\(Error_{hard}\) 检查语法与流程层面的正确性（工作流能否编译、节点参数是否合法、连线是否成立），\(Feedback_{soft}\) 评估语义质量（风格对不对、细节有没有保住、是否满足指令的每一项要求）。LLM 把这两路信号整理成一段结构化的"语言损失"：

\[L_{lang} = LLM\big(P_{loss}(\tau,\ Error_{hard},\ Feedback_{soft})\big)\]

再通过链式归因（chain attribution）把它转成"符号梯度" \(\nabla_{sym}\)——即到底该动概念库里的哪一条、哪个参数，最后用重放（Replay）验证修正是否有效，并据此更新概念库。之所以有效，是因为失败信号被拆成了"结构错"和"语义差"两类：前者可以精确定位到某个节点或连线，后者只能定位到某个概念的选择或参数，把两者混在一起正是以往 agent 反复重试却越改越乱的原因。论文在图中用"语法编译器 + VLM 验证器"的双验证回路来表示这层机制（⚠️ 该回路的具体实现细节原文描述较简，以原文与补充材料为准）。

4. 概念库记忆固化：成功、负向与参数修正三类更新

学习不能只记住"什么行"，还得记住"什么不行"。论文把记忆更新明确分成三类落库：成功的轨迹被抽象成可复用的成功概念 \(C_{success}\)；失败的轨迹产出负向概念 \(C_{negative}\)，用于避免重蹈覆辙；此外还可能有只针对参数的修正项 \(C_{refine}\)，即概念本身仍然有效、只是某个参数该调。这三类信息加上 \(Score_k\) 的动态更新，构成一轮完整的自演化；下一轮规划重新检索概念库时，这三类知识会分别影响"选哪些概念"和"怎么排序"。值得注意的是，负向知识与参数修正是以往"成功轨迹记忆库"类方法通常缺失的两类——但它们也是论文披露最简略的部分：\(Score_k\) 的具体更新公式、负向概念在检索时如何参与打分、复合概念如何与新概念去重，原文都没有展开（⚠️ 以原文为准）。关于概念库规模与性能的关系，论文只在实验层面给出间接证据（在线累积后离线复用、外部概念库迁移），并没有给出"概念数量 vs 解决率"的曲线，因此无法判断库膨胀或概念冲突是否会在长期运行中拖慢系统。

一个完整示例¶

论文图 3 用一条"老照片转动画风视频"的指令走通了整条流水线。用户给一张复古风格参考图，要求"生成一段动画风视频"，并补充 prompt：一条安静的住宅街道、时长 5 秒、帧率 25 FPS。规划阶段把指令分解成若干子任务，在概念库里按语义召回"去噪/修复""风格迁移""关键帧生成""帧插值"等概念并按效用排序，LLM 据此排出 Plan1 去噪与修复 → Plan2 动画风格化 → Plan3 关键帧生成 + 插值，实例化出 workflow JSON 后按 Step1 解析计划、Step2 加载模型、Step3 运行 image-to-video、Step4 自反思的顺序在 ComfyUI 上执行，最终产出标注为 6 秒 25 FPS 的视频（原文指令写的是 5 秒，⚠️ 图注中的时长标注与指令不一致，以原文为准）。

评测环节给出两条真实的反馈样本：一条成功经验记为 "Restore photo → then style transfer, higher quality"，另一条成功经验记为 "Keyframes → then interpolation, faster with quality"——这正对应设计 3 里的"合成新复合概念"（把"先修复再风格迁移""先关键帧再插值"这样的有效组合固化下来）。失败侧的样本则记录为："workflow 028 对初始图像做了油画风格变换，但很难保留细节"，这类带具体诊断的负向条目会进入记忆库，在下一轮规划时避免重复选择同一条路径。整个过程里，模型的参数一次都没有被更新，变强的只有概念库。

损失函数 / 训练策略¶

SymbOmni 没有梯度下降意义上的训练：唯一的"损失"是语言化的 \(L_{lang}\)，唯一的"优化器"是对概念库的增删改。一轮完整更新由两条规则刻画：成功轨迹走 \(CB \leftarrow CB \cup Symbolize(\tau, \text{Positive})\)（新增或强化概念），失败轨迹走 \(CB \leftarrow Refine(CB,\ Replay(\tau, \nabla_{sym}))\)（定向修正后重放验证）。也正因如此，论文强调这是"无需参数微调"的持续自改进——学习产物是外部的、可读写的知识库，而不是权重变化。

实现层面：所有实验都在 ComfyUI 框架内完成，推理引擎统一使用 Gemini 2.5 Flash；为公平比较各 agent 系统，最大搜索深度固定为 10、最大重试次数固定为 4。系统还有"在线/离线"两种运行模式：在线模式下 agent 可以访问外部工作流描述文档，离线模式则只允许使用累积下来的符号概念，不看任何文档——这个设置在实验里被用来检验"概念库能否替代文档"。

实验关键数据¶

三个公开基准：ComfyBench（200 题，100 vanilla / 60 complex / 40 creative，考工作流构建）、GenEval（考文生图的语义一致性与视觉保真）、ReasonEdit（考多步推理式图像编辑）；补充材料另有 GenEval2 与 Kris Bench。评价四个维度：Pass Rate（生成的 workflow 能成功执行且结构正确的比例）、Resolve Rate（最终输出满足指令语义要求的比例）、Generation Quality、Token Consumption（每题平均 token 数）。

主实验¶

ComfyBench（自主工作流构建，单位 %）：

方法	Vanilla Pass	Vanilla Resolve	Complex Resolve	Creative Resolve	Total Resolve
GPT-4o + Few-shot	32.0	27.0	8.3	0.0	16.0
GPT-4o + CoT	44.0	29.0	8.3	0.0	17.0
o1-preview + RAG	70.0	46.0	23.3	12.5	32.5
ComfyAgent	67.0	46.0	21.7	15.0	32.5
ComfyMind（复现）	100.0	84.0	75.0	42.5	73.0
SymbOmni	100.0	95.0	83.3	67.5	86.0
ComfyMind + Nano Banana	100.0	97.0	80.0	57.5	84.0
SymbOmni + Nano Banana	100.0	99.0	88.3	75.0	91.0

GenEval（文生图，Overall 及各子项）：

方法	Overall	Single Obj.	Two Obj.	Counting	Colors	Position	Attr. Binding
SD3-Medium	0.74	0.99	0.94	0.72	0.89	0.33	0.60
Janus-Pro-7B	0.80	0.99	0.89	0.59	0.90	0.79	0.66
BAGEL	0.78	0.98	0.94	0.76	0.91	0.69	0.70
GPT-Image-1	0.84	0.99	0.92	0.85	0.92	0.75	0.61
ComfyMind（复现）	0.90	1.00	1.00	0.96	0.97	0.63	0.81
SymbOmni	0.98	1.00	1.00	0.99	0.98	0.97	0.95

ReasonEdit 上（图 5，数值来自正文）：SymbOmni 总分 9.190，高于 ComfyMind 的 8.135，差距最大的是空间推理类子任务（Mirror 上比 ComfyMind 高 1.980、Multiple-Objects 高 1.229）；在 Mirror 子类上 8.983 分，比 Nano Banana 的 8.383 高 7.2%、比 ComfyMind 的 7.000 高 28.3%；Add-supp 拿到满分 10.000。不过在 Left-Right、Color 等子类上略逊于 Nano Banana，作者把这归因于底层生成模型本身的差异。

用户研究进一步验证感知质量：对 38 个案例做两两盲评，SymbOmni 与另外四个方法各比一轮共 152 组问题，63 位参与者给出 1,197 次偏好判断（维度含语义一致性、视觉质量、组合准确度、总体偏好）。总体偏好率：对 Nano Banana 59.2%、对 ComfyMind 65.9%、对 GPT-Image-1 68.4%、对 BAGEL 73.9%，即全部胜出。

消融实验¶

去掉经验检索模块（w/o EXP）后的成本对比（ReasonEdit 上）：

配置	输入 token↓	输出 token↓	总 token↓	每题请求数↓
Ours (w/o EXP)	18,556.1	3,171.0	21,727.1	9.85
Ours（完整）	12,463.4（↓32.8%）	1,898.0（↓40.1%）	14,361.4（↓33.9%）	7.25（↓26.4%）

离线模式（只用累积概念、不看文档，N = 30 的 Complex 子集）：

方法	Resolved↑	Avg Tries↓	Avg Tries (Resolved)↓
ComfyMind（可用完整文档）	66.7%	2.000	1.600
SymbOmni（离线）	70.0%	1.433（↓0.567）	1.190（↓0.410）

域外泛化（用 147 条 in-the-wild workflow 建立外部概念库，再回到 ComfyBench 评测）：

方法	Vanilla Pass	Vanilla Resolve	Complex Resolve	Creative Resolve	Overall
ComfyMind	100.0%	84.0%	55.0%	42.5%	67.0%
SymbOmni	100.0%	89.0%	66.7%	52.5%	75.0%
提升	+0.0	+5.0	+11.7	+10.0	+8.0

关键发现¶

任务越难，符号概念的收益越大。 相对提升从 vanilla 的 +5.0 点（95.0 vs 84.0）一路放大到 complex 的 +11.1% 相对增益、creative 的 +58.8% 相对增益（42.5 → 67.5）。这说明概念复用主要补偿的是长程组合与规划能力，而不是单步生成质量——简单题大家都能做对，pass rate 在 ComfyMind 与 SymbOmni 上都已饱和到 100%。
收益来自机制而非底模。 换成同一个 Nano Banana 作为底层生成模型后，SymbOmni 仍以 91.0% 对 84.0% 领先 ComfyMind，creative 子集 75.0% 对 57.5%，说明差距不是"工具更好"带来的。
记忆模块的价值是"少试错"而不是"想更久"。 去掉经验检索后，每题输出 token 涨 40.1%、请求数涨 26.4%，总 token 涨 33.9%。需要说明的是，论文正文称去掉记忆检索后"所有指标都下降"，但表中只给出了成本列，精度降幅的具体数字疑似在补充材料（⚠️ 以原文/补充材料为准）；摘要宣称的"token 降低超过 40%"实际对应的是输出 token 的 40.1%，总 token 降幅为 33.9%。
符号概念库可以在功能上顶替文档。 离线模式下完全不看工作流说明文档，Resolve 率仍有 70.0%，反而高于可访问完整文档的 ComfyMind（66.7%），且平均尝试次数少 28.4%（成功题上少 25.6%）。这是全文最具工程价值的结论：经验记忆不只是"锦上添花"，它能替代一部分外部知识供给。
概念库规模与性能的关系只有间接证据。 论文通过两处实验暗示"累积得越多越好"：在线阶段分组逐批累积、离线阶段复用（10 组 × 20 题，偶/奇索引分到 online/offline，且同组任务全部完成后才提交经验以防泄漏），以及 147 条外部 workflow 的概念库可迁移到 ComfyBench。但全文没有给出"概念数量 vs 解决率"的曲线，也没有报告概念库最终规模，所以库膨胀、概念冗余与冲突带来的长期代价仍是未知数。
底模决定上限。 在 Left-Right、Color 这类高度依赖底层生成能力（而非规划能力）的子类上，SymbOmni 反而略逊于 Nano Banana；Add-supp 那种需要正确组合多步操作的任务则拿到满分。作者也承认 agent 系统本质上被组成工具的质量所约束。
跨表比较要当心口径。 表 5 中 ComfyMind 的 Complex 为 55.0%、Overall 为 67.0%，而表 1 中同一方法（复现）是 75.0% 与 73.0%，两次实验的子集/协议显然不同，不能直接把表 5 的绝对分数与表 1 对比。

亮点与洞察¶

把"经验"设计成同时可检索、可执行、可评分的数据结构。 概念 = 语义描述 + 参数化工作流模板 + 调好的参数 + 效用分，检索用描述做余弦召回、执行用模板填参数、排序用效用分——三件事共用一份表示，避免了"记忆是一堆文本、执行是另一套逻辑"的割裂。这个表示可以直接迁移到任何"技能库 + 执行反馈"的 agent（代码修复、机器人技能、数据分析流水线）。
语言化反向传播给出了"该改哪里"的定位能力。 失败轨迹先被拆成语法/流程层面的硬错误与语义层面的软反馈，再转成结构化语言损失，最后通过链式归因得到"符号梯度"去指认要修改的概念或参数，并用重放验证修正。相比"反思一下再试一次"，它把可解释性做进了学习回路而不是事后解释。
负向概念与参数修正让记忆不止记成功。 论文把落库经验分成 \(C_{success}\)／\(C_{negative}\)／\(C_{refine}\) 三类，相当于给 agent 配了一份"避坑清单"和一份"参数微调记录"，这是纯成功轨迹记忆库做不到的（⚠️ 论文对负向概念的实际增益没有单独消融）。
离线评测协议本身就是可复用的方法论。 "同组任务全部完成才提交经验"这一条防泄漏设计，加上按组分层、组内保相似度、打乱组序的做法，解决了持续学习评测里"经验什么时候算可见"这个容易被忽略但影响很大的问题。
"omni" 的实现路径值得注意。 本文的"全能"不是把模态塞进同一个权重空间，而是让同一套符号概念在文生图、图像编辑、视频生成（关键帧 + 插值）之间被复用与重组——跨模态能力来自概念的可组合性，这为"轻量模型 + 强规划层"的路线提供了实证支持。

局限与展望¶

判定器是二值的，粒度太粗。 评测 Agent 只输出 \(Judge\in\{\text{True},\text{False}\}\)，一个"只满足了一半要求"的轨迹会被判为失败并触发重放修正，可能污染概念库；论文没有报告判定准确率或与人判断的一致性。改成可校准的连续质量分（或训练一个专门的 verifier）应是第一优先级。
概念库缺规模控制与冲突消解。 \(Score_k\) 的具体更新规则、负向概念如何参与检索排序、复合概念与新概念如何判重都没有展开；长期运行下的库膨胀、正向与负向概念互相矛盾都是现实隐忧。可以参考代码仓库的思路做概念的合并、版本管理与回滚。
全部实验锁定在 ComfyUI + Gemini 2.5 Flash。 换一个推理引擎或换一套工具集，归纳质量与检索效果是否依旧成立，论文没有验证；而这恰恰是该方法声称的"通用"属性最需要证据的地方。
关键证据在补充材料里。 GenEval2、Kris Bench、跨模态泛化、用户研究细节、以及消融的精度列都放在补充材料，正文只能看到成本列，外部读者很难以此判断记忆模块对精度的真实贡献。
对工具质量的依赖被作者承认但未量化。 ReasonEdit 上落后于 Nano Banana 的子类说明"规划再好也救不了底模"，如果能做一个"工具质量 × 概念库质量"的二维分析，会让结论更有说服力。
改进方向。 把 \(Score_k\) 做成显式的效用估计（如 bandit / 贝叶斯后验）而非不透明的"动态更新"；给概念库加一个"使用率—收益"淘汰机制；把概念库当作可移植资产，测试跨基础模型、跨 agent 的概念共享。

评分¶

新颖性: ⭐⭐⭐⭐ "符号概念库 + 归纳–转导循环 + 语言化反向传播"的整体组合是新的，且把持续学习从权重搬到可读写的记忆层；但各组件（语言化反馈、workflow agent、概念记忆）都能在 Reflexion / TextGrad / ComfyMind 等前作中找到影子。
实验充分度: ⭐⭐⭐⭐ 三个基准 + 离线协议 + 域外泛化 + 63 人用户研究，覆盖度好；扣分在关键精度消融、GenEval2/Kris Bench 与跨模态结果都在补充材料，且缺"概念库规模—性能"曲线。
写作质量: ⭐⭐⭐ 方法叙述清楚，但图 3/图 4 信息密度过高导致可读性差，摘要与正文在"40% token 降低"、表 1 与表 5 的基准口径上存在不一致，容易误导。
价值: ⭐⭐⭐⭐ 给出了一条"不动参数也能持续变强"的可落地路线，token 成本下降三分之一与"记忆替代文档"的结论对企业级个性化生成场景有直接吸引力，概念表示的设计也可迁移到其它 agent 记忆系统。