I prompt moderni si sono evoluti oltre le semplici istruzioni verbali, fino a diventare sofisticati sistemi di analisi semantica in grado di tradurre le intenzioni dell’utente in strutture logiche eseguibili. Questa innovazione colma il divario fondamentale tra la naturale flessibilità del linguaggio umano e i rigidi vincoli dei tradizionali risolutori simbolici

La sintografia, intesa come l’arte e la scienza di formulare prompt efficaci, si configura come una disciplina in rapida evoluzione, data la natura dinamica degli algoritmi di intelligenza artificiale generativa. Questo dinamismo impone agli utenti un costante adattamento delle proprie strategie di prompting, una pratica definita “prompt adaptation”. Tale adattamento è reso necessario dalla constatazione che prompt efficaci con una versione di un modello possono risultare inefficaci o addirittura non funzionali con versioni successive, evidenziando come la “promptografia” sia una pratica intrinsecamente legata all’interazione dinamica tra il linguaggio naturale e le capacità evolutive dei modelli generativi. L’ingegneria dei prompt, in questo contesto, emerge non solo come un’arte ma come una disciplina emergente che richiede un’iterazione continua e un affinamento metodologico per ottimizzare le risposte del sistema. Questo campo interdisciplinare, che unisce creatività e pensiero strategico, è cruciale per sbloccare il pieno potenziale delle tecnologie di intelligenza artificiale generativa, migliorando la comunicazione uomo-AI.

Contesto della Sintografia e dell’ingegneria dei Prompt

L’ingegneria dei prompt, in particolare, consiste nella progettazione e strutturazione degli input testuali per ottenere risposte ottimali dai sistemi di intelligenza artificiale, enfatizzando la necessità di una comprensione approfondita dei principi linguistici per guidare il comportamento dell’IA. Tale disciplina è fondamentale per massimizzare l’efficacia dei modelli generativi in svariati ambiti, dalla generazione di contenuti creativi allo sviluppo di applicazioni nel metaverso, fino agli strumenti didattici. Questo processo iterativo di affinamento del prompt, che implica la valutazione dell’output a ogni passaggio, è cruciale per migliorare le risposte generate e si configura come uno strumento di supporto alla creatività umana, sebbene la questione della residenza della creatività rimanga oggetto di dibattito.

Le radici del linguaggio macchina

Il concetto di sintografia nasce dalla necessità di trasformare l’ambiguità del linguaggio naturale in rappresentazioni simboliche rigorose. Questo processo imita la precisione dei linguaggi di programmazione e guida l’inferenza. Nell’approccio neuro-simbolico, i motori di inferenza deterministici compensano la natura stocastica dei modelli linguistici e garantiscono risposte corrette formalmente. In questo contesto, il prompt non è più solo un’istruzione discorsiva ma diventa un sistema di parsing semantico. Traduce l’intento dell’utente in costrutti logici eseguibili, colmando il divario tra la flessibilità del linguaggio umano e la rigidità dei solutori simbolici. Così, il ragionamento non si limita più alla correlazione statistica, ma diventa un processo verificabile, dove le catene logiche si ancorano a grafi ontologici che ne validano la coerenza semantica.

Linguaggi naturali e linguaggi formali: una distinzione cruciale

La distinzione principale riguarda l’eterogeneità tra la natura probabilistica della semantica linguistica, più vicina alla coerenza sintattica, e la natura deterministica dei linguaggi di programmazione, che seguono regole logiche chiare. I linguaggi naturali estraggono pattern latenti, mentre le architetture ibride separano la percezione semantica dall’autorità decisionale. Ciò garantisce inferenze governate da vincoli formali solidi. Questa separazione rende il processo decisionale audibile. La percezione del contesto non dà al modello un’autorità decisionale senza supervisione.

Lo sviluppo storico dei modelli linguistici

L’evoluzione ha segnato un passaggio critico dalle architetture puramente subsimboliche, basate su approssimazioni statistiche, verso sistemi di IA neuro-simbolica che integrano l’in-context learning con primitive funzionali per una manipolazione strutturata delle informazioni. Questo percorso riflette l’esigenza di decodificare la conoscenza di dominio all’interno di grafi concettuali che, interagendo con parser simbolici, consentono di trasformare istruzioni vaghe in programmi dichiarativi rigorosi. Tale transizione è ulteriormente supportata dall’impiego di linguaggi intermedi, che facilitano la traduzione del pensiero in strutture logiche formali, migliorando la trasparenza e l’affidabilità del ragionamento dell’agente. In questo quadro, la scomposizione delle query in moduli simbolici indipendenti consente di isolare le fasi di ragionamento dalla percezione, garantendo che ogni passaggio inferenziale sia eseguibile da motori dedicati. Tale architettura permette di superare i limiti dei modelli basati esclusivamente su rappresentazioni latenti, garantendo la tracciabilità delle decisioni attraverso l’esecuzione di regole deterministiche su un substrato strutturato. Tale approccio risponde alla necessità di dissociare la competenza linguistica formale, ovvero la padronanza delle regolarità statistiche, dalla competenza funzionale necessaria a modellare processi nel mondo reale.

Il Prompting e la sua evoluzione

Il prompting sta attraversando una profonda trasformazione: da semplice modalità per inserire comandi testuali, sta evolvendo in un vero e proprio regista di processi intelligenti. Oggi le istruzioni non servono più soltanto a ottenere una risposta, ma possono attivare funzioni diverse del sistema, come la memoria, la pianificazione delle azioni e l’interazione con strumenti esterni e ambienti digitali. In altre parole, il prompt diventa il punto di avvio di un flusso di lavoro articolato, capace di coordinare più componenti in modo dinamico.

Questa evoluzione supera il modello tradizionale “domanda-risposta” a turno singolo e introduce cicli di ragionamento iterativi, in cui il sistema analizza, agisce, verifica i risultati e si corregge. Approcci come i loop ReAct integrano feedback e autovalutazione, aumentando il livello di autonomia decisionale e rendendo le risposte più affidabili e contestualizzate.

Allo stesso tempo, stanno emergendo architetture che organizzano il processo cognitivo in fasi distinte, combinando flessibilità neurale e forme di controllo più strutturate. Questo consente di guidare l’inferenza senza limitarne l’adattabilità, mantenendo un equilibrio tra creatività e rigore. In questo scenario, tecniche come la Chain-of-Thought svolgono un ruolo centrale: spingono il modello a esplicitare i passaggi intermedi del ragionamento, migliorando la precisione dei risultati e rendendo il processo più trasparente e comprensibile anche per chi osserva dall’esterno.

Riproduzione riservata ©

Immagine di copertina: Artwork by Claudia Sistelli

Riferimenti Bibliografici:

Acharya, K., Velasquez, A., & Song, H. (2024). A Survey on Symbolic Knowledge Distillation of Large Language Models. IEEE Transactions on Artificial Intelligence, 1–21. https://doi.org/10.1109/tai.2024.3428519

Amatriain, X. (2024). Prompt Design and Engineering: Introduction and Advanced Methods. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2401.14423

Azizian, S., Mehrabian, R., & Honary, V. (2025). Prompt Engineering as a Cognitive Interface: Reframing Human-AI Collaboration and Digital Literacy in the Age of Generative AI. ScholarSpace (University of Hawaii at Manoa). https://hdl.handle.net/10125/112262

Beg, A., O’Donoghue, D., & Monahan, R. (2025). A Short Survey on Formalising Software Requirements using Large Language  Models. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2506.11874

Beiser, A., Penz, D., & Musliu, N. (2025). Intermediate Languages Matter: Formal Choice Drives Neurosymbolic LLM  Reasoning. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2502.17216

Besta, M., Blach, N., Kubicek, A., Gerstenberger, R., Gianinazzi, L., Gajda, J., Lehmann, T., Podstawski, M., Niewiadomski, H., Nyczyk, P., & Hoefler, T. (2023). Graph of Thoughts: Solving Elaborate Problems with Large Language Models. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2308.09687

Besta, M., Blach, N., Kubicek, A., Gerstenberger, R., Podstawski, M., Gianinazzi, L., Gajda, J., Lehmann, T., Niewiadomski, H., Nyczyk, P., & Hoefler, T. (2024). Graph of Thoughts: Solving Elaborate Problems with Large Language Models. Proceedings of the AAAI Conference on Artificial Intelligence, 38(16), 17682–17690. https://doi.org/10.1609/aaai.v38i16.29720

Besta, M., Memedi, F., Zhang, Z., Gerstenberger, R., Blach, N., Nyczyk, P., Copik, M., Kwaśniewski, G., Müller, J., Gianinazzi, L., Kubicek, A., Niewiadomski, H., Mutlu, O., Hoefler, T., Onur, M., & Torsten, H. (2024). Demystifying Chains, Trees, and Graphs of Thoughts. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2401.14295

Besta, M., Memedi, F., Zhang, Z., Gerstenberger, R., Piao, G., Blach, N., Nyczyk, P., Copik, M., Kwaśniewski, G., Müller, J., Gianinazzi, L., Kubicek, A., Niewiadomski, H., O’Mahony, A., Mutlu, O., & Hoefler, T. (2025). Demystifying Chains, Trees, and Graphs of Thoughts. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1–20. https://doi.org/10.1109/tpami.2025.3598182

Bezou-Vrakatseli, E., Cocarascu, O., & Modgil, S. (2024). Towards Dialogues for Joint Human-AI Reasoning and Value Alignment. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2405.18073

Bodonhelyi, A., Bozkir, E., Yang, S., Kasneci, E., & Kasneci, G. (2024). User Intent Recognition and Satisfaction with Large Language Models: A  User Study with ChatGPT. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2402.02136

Bozkurt, A. (2024). Tell Me Your Prompts and I Will Make Them True: The Alchemy of Prompt Engineering and Generative AI. Open Praxis, 16(2), 111–118. https://doi.org/10.55982/openpraxis.16.2.661

Brunet. (2026a). OCHA: Objective-Constrained Hybrid Architecture — A Neuro-Symbolic Architecture for Auditable Decision Governance in High-Criticality Domains. Zenodo (CERN European Organization for Nuclear Research). https://doi.org/10.5281/zenodo.19113547

Brunet. (2026b). OCHA: Objective-Constrained Hybrid Architecture — A Neuro-Symbolic Architecture for Auditable Decision Governance in High-Criticality Domains. Zenodo (CERN European Organization for Nuclear Research). https://doi.org/10.5281/zenodo.19113546

Castagna, F., Kökciyan, N., Sassoon, I., Parsons, S., & Sklar, E. (2024). Computational Argumentation-based Chatbots: A Survey. Journal of Artificial Intelligence Research, 80, 1271–1310. https://doi.org/10.1613/jair.1.15407

Chanrueang, S., Chormuan, S., Nakpomchin, S., & Sookplung, P. (2025). Hybrid Reasoning Agents and a Conceptual Framework for Integrating Symbolic Logic with Large Language Models. 516–520. https://doi.org/10.1109/icsec67360.2025.11298019

Chen, H. (2024). Large Knowledge Model: Perspectives and Challenges. Data Intelligence, 6(3), 587–620. https://doi.org/10.3724/2096-7004.di.2024.0001

Chu, Z., Chen, J., Chen, Q., Yu, W., He, T., Wang, H., Peng, W., Liu, M., Qin, B., & Liu, Z. (2023). Navigate through Enigmatic Labyrinth A Survey of Chain of Thought Reasoning: Advances, Frontiers and Future. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2309.15402

Cleveland, M. (2025a). LOOM v2: An AI-Native Computational Language for Structured Reasoning A Deterministic Framework for Non-Linguistic Intelligence Systems. In Zenodo (CERN European Organization for Nuclear Research). European Organization for Nuclear Research. https://doi.org/10.5281/zenodo.18004408

Cleveland, M. (2025b). LOOM v2: An AI-Native Computational Language for Structured Reasoning A Deterministic Framework for Non-Linguistic Intelligence Systems. In Zenodo (CERN European Organization for Nuclear Research). European Organization for Nuclear Research. https://doi.org/10.5281/zenodo.18004409

Deckers, N., Peters, J., & Potthast, M. (2023). Manipulating Embeddings of Stable Diffusion Prompts. arXiv (Cornell University). https://doi.org/10.5281/zenodo.8274626

Dinu, M.-C. (2024). Parameter Choice and Neuro-Symbolic Approaches for Deep Domain-Invariant  Learning. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2410.06235

Dinu, M.-C., Leoveanu-Condrei, C., Holzleitner, M., Zellinger, W., & Hochreiter, S. (2024). SymbolicAI: A framework for logic-based approaches combining generative  models and solvers. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2402.00854

Ebouky, B., Bartezzaghi, A., & Rigotti, M. (2025). Eliciting Reasoning in Language Models with Cognitive Tools. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2506.12115

Faghihi, H. R., Nafar, A., Uszok, A., Karimian, H., & Kordjamshidi, P. (2024). Prompt2DeModel: Declarative Neuro-Symbolic Modeling with Natural  Language. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2407.20513

Feng, S., Fang, G., Ma, X., & Wang, X. (2025). Efficient Reasoning Models: A Survey. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2504.10903

Ganguly, D., Iyengar, S., Chaudhary, V., & Kalyanaraman, S. (2024). Proof of Thought : Neurosymbolic Program Synthesis allows Robust and  Interpretable Reasoning. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2409.17270

Guan, X., Yunshan, L., Zekun, W., & Ruibo, Z. (2025). NormCode: A Semi-Formal Language for Auditable AI Planning. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2512.10563

Heris, M. K. (2025). Prompt Decorators: A Declarative and Composable Syntax for Reasoning, Formatting, and Control in LLMs. SHURA (Sheffield Hallam University Research Archive) (Sheffield Hallam University). https://doi.org/10.48550/arxiv.2510.19850

Ho, K., Myung. (2025a). Bridging Symbolic Control and Neural Reasoning in LLM Agents: Structured Cognitive Loop with a Governance Layer. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2511.17673

Ho, K., Myung. (2025b). Bridging Symbolic Control and Neural Reasoning in LLM Agents: The Structured Cognitive Loop. http://arxiv.org/abs/2511.17673

Hóu, Z. (2025). Neural-Symbolic Reasoning: Towards the Integration of Logical Reasoning with Large Language Models. https://doi.org/10.36227/techrxiv.174352068.81462574/v1

Iannaccone, M. G. (2026a). Cognitive Architecture Engineering LLMs. Zenodo (CERN European Organization for Nuclear Research). https://doi.org/10.5281/zenodo.18874177

Iannaccone, M. G. (2026b). Cognitive Architecture Engineering LLMs. Zenodo (CERN European Organization for Nuclear Research). https://doi.org/10.5281/zenodo.18874178

Jaehoon, L. (2025a). The Ignition Cycle: A Foundational Cognitive Framework for Prompt Engineering. Zenodo (CERN European Organization for Nuclear Research). https://doi.org/10.5281/zenodo.17539438

Jaehoon, L. (2025b). The Ignition Cycle: A Foundational Cognitive Framework for Prompt Engineering. Zenodo (CERN European Organization for Nuclear Research). https://doi.org/10.5281/zenodo.17539439

Jeong, C. (2023). A Study on the Implementation of Generative AI Services Using an Enterprise Data-Based LLM Application Architecture. Advances in Artificial Intelligence and Machine Learning, 3(4), 1588–1618. https://doi.org/10.54364/aaiml.2023.1191

Jha, S. K., Jha, S., Lincoln, P., Bastian, N. D., Velasquez, A., Ewetz, R., & Neema, S. (2023). Neuro Symbolic Reasoning for Planning: Counterexample Guided Inductive Synthesis using Large Language Models and Satisfiability Solving. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2309.16436

Kim, M. (2025). Structured Cognition for Behavioral Intelligence in Large Language Model Agents: Preliminary Study. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2510.05107

Krämer, O. (2025). Conceptual Metaphor Theory as a Prompting Paradigm for Large Language  Models. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2502.01901

Li, Z., Zhang, D., Zhang, M., Zhang, J., Liu, Z., Yao, Y., Xu, H., Zheng, J., Wang, P., Chen, X., Zhang, Y., Yin, F., Dong, J., Li, Z., Bi, B., Lin, M., Fang, J., Xiao, L., Guo, Z., … Liu, C. (2025). From System 1 to System 2: A Survey of Reasoning Large Language Models. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2502.17419

Liu, Y., Zheng, Z., Zhang, F., Feng, J.-C., Fu, Y. H., Zhai, J., He, B., Zhang, X., & Du, X. (2025). A comprehensive taxonomy of prompt engineering techniques for large language models. Frontiers of Computer Science, 20(3). https://doi.org/10.1007/s11704-025-50058-z

Madahar, A. (2025). Natural Language Edge Labelling: Decoupling Intent from Execution in Structured LM Reasoning. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2510.04817

Mahowald, K., Ivanova, A. A., Blank, I., Kanwisher, N., Tenenbaum, J. B., & Fedorenko, E. (2024). Dissociating language and thought in large language models [Review of Dissociating language and thought in large language models]. Trends in Cognitive Sciences, 28(6), 517–540. Elsevier BV. https://doi.org/10.1016/j.tics.2024.01.011

Minaee, S., Mikolov, T., Nikzad-Khasmakhi, N., Chenaghlu, M., Socher, R., Amatriain, X., & Gao, J. (2024). Large Language Models: A Survey. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2402.06196

Mitra, S. (2025). Agentic Temporal Graph of Reasoning with Multimodal Language Models: A Potential AI Aid to Healthcare. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2509.11944

Pan, L., Albalak, A., Wang, X., & Wang, W. Y. (2023). Logic-LM: Empowering Large Language Models with Symbolic Solvers for Faithful Logical Reasoning. https://doi.org/10.18653/v1/2023.findings-emnlp.248

Pandey, T., Ghukasyan, A., Göktaş, O., & Radha, S. K. (2025). Adaptive Graph of Thoughts: Test-Time Adaptive Reasoning Unifying Chain,  Tree, and Graph Structures. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2502.05078

Paula, A. de. (2025). A CONVERSA PROFÍCUA COM A INTELIGÊNCIA ARTIFICIAL: A ENGENHARIA DE PROMPT. Revista Fisio&terapia., 29(144), 4–5. https://doi.org/10.69849/revistaft/cs10202503161004

Romero, O. J., Zimmerman, J., Steinfeld, A., & Tomasic, A. (2024). Synergistic Integration of Large Language Models and Cognitive Architectures for Robust AI: An Exploratory Analysis. Proceedings of the AAAI Symposium Series, 2(1), 396–405. https://doi.org/10.1609/aaaiss.v2i1.27706

Sahoo, P., Singh, A., Saha, S., Jain, V., Mondal, S., & Chadha, A. (2024). A Systematic Survey of Prompt Engineering in Large Language Models:  Techniques and Applications. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2402.07927

Sharma, Dr. A. K. (2026). Agentic AI: The Evolution of Autonomous Decision-Making Systems and Architectural Paradigms. In Zenodo (CERN European Organization for Nuclear Research). European Organization for Nuclear Research. https://doi.org/10.5281/zenodo.18787351

Singh, A., Ehtesham, A., Gupta, G., Chatta, N. K., Kumar, S., & Khoei, T. T. (2024). Exploring Prompt Engineering: A Systematic Review with SWOT Analysis [Review of Exploring Prompt Engineering: A Systematic Review with SWOT Analysis]. arXiv (Cornell University). Cornell University. https://doi.org/10.48550/arxiv.2410.12843

Some, L., Yang, W., Bain, M., & Kang, B. H. (2025). A Comprehensive Survey on Integrating Large Language Models with  Knowledge-Based Methods. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2501.13947

Stoyanova, M. (2026). Integrating Logic Programming with Large Language Models: Opportunities and Challenges. INTERNATIONAL CONFERENCE ON ECONOMICS BUSINESS & MANAGEMENT, 2(1), 512–524. https://doi.org/10.56065/icebm2025.512

Sumers, T. R., Yao, S., Narasimhan, K., & Griffiths, T. L. (2023). Cognitive Architectures for Language Agents. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2309.02427

Tan, X., Deng, Y., Qiu, X., Xu, W., Qu, C., Chu, W.-T., Xu, Y., & Qi, Y. (2024). Thought-Like-Pro: Enhancing Reasoning of Large Language Models through  Self-Driven Prolog-based Chain-of-Thought. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2407.14562

Torkestani, M. S., Alameer, A., Shivakumara, P., & Mansouri, T. (2025). Inclusive prompt engineering for large language models: a modular framework for ethical, structured, and adaptive AI. Artificial Intelligence Review, 58(11). https://doi.org/10.1007/s10462-025-11330-7

Tziafas, G., & Kasaei, H. (2022). Enhancing Interpretability and Interactivity in Robot Manipulation: A Neurosymbolic Approach. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2210.00858

Vasile, R. F. (2026). Linalg-Zero: Distilling Neurosymbolic Reasoning for Linear Algebra in Small Language Models [University of Bologna]. In AMS Degree Thesis (University of Bologna). https://amslaurea.unibo.it/view/cds/CDS8614/>

Verawati, N. N. S. P., & Yaqin, L. N. (2025). Charting the Future of Prompt Engineering: Critical Reflections on Methodology, Ethics, and Research Directions. International Journal of Essential Competencies in Education, 4(1), 1–14. https://doi.org/10.36312/ijece.v4i1.2908

Vilakati, S. (2025). Prompt engineering for accurate statistical reasoning with large language models in medical research. Frontiers in Artificial Intelligence, 8. https://doi.org/10.3389/frai.2025.1658316

Xiong, H., Wang, Z., Li, X., Bian, J., Xie, Z., Mumtaz, S., & Barnes, L. E. (2024). Converging Paradigms: The Synergy of Symbolic and Connectionist AI in  LLM-Empowered Autonomous Agents. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2407.08516

Xu, M., Niyato, D., Kang, J., Xiong, Z., Mao, S., Zhu, H., Kim, D. I., & Letaief, K. B. (2024). When Large Language Model Agents Meet 6G Networks: Perception, Grounding, and Alignment. IEEE Wireless Communications, 31(6), 63–71. https://doi.org/10.1109/mwc.005.2400019

Xu, S., Xie, W., Zhao, L., & He, P. (2025). Chain of Draft: Thinking Faster by Writing Less. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2502.18600

Yang, X., Shao, J.-J., Guo, L.-Z., Zhang, B., Zhou, Z., Jia, L.-H., Dai, W.-Z., & Li, Y.-F. (2025). Neuro-Symbolic Artificial Intelligence: Towards Improving the Reasoning Abilities of Large Language Models. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2508.13678

Yildirim, I., & Paul, L. A. (2024). From task structures to world models: what do LLMs know? [Review of From task structures to world models: what do LLMs know?]. Trends in Cognitive Sciences, 28(5), 404–415. Elsevier BV. https://doi.org/10.1016/j.tics.2024.02.008

Zen, R., & 10, I. (2025a). From Heuristics to Deduction: Enabling Systematic Logical Reasoning in Large Language Models. Zenodo (CERN European Organization for Nuclear Research). https://doi.org/10.5281/zenodo.17815757

Zen, R., & 10, I. (2025b). From Heuristics to Deduction: Enabling Systematic Logical Reasoning in Large Language Models. Zenodo (CERN European Organization for Nuclear Research). https://doi.org/10.5281/zenodo.17815756

Zhang, D., Li, Z., Zhang, M., Zhang, J., Liu, Z., Yao, Y., Xu, H., Zheng, J., Chen, X., Zhang, Y., Yin, F., Dong, J., Guo, Z., Song, L., & Liu, C. (2025). From System 1 to System 2: A Survey of Reasoning Large Language Models. IEEE Transactions on Pattern Analysis and Machine Intelligence, 48(3), 3335–3354. https://doi.org/10.1109/tpami.2025.3637037

Zhang, Z., Yao, Y., Zhang, A., Tang, X., Ma, X., He, Z., Wang, Y., Gerstein, M., Wang, R., Liu, G., & Zhao, H. (2023). Igniting Language Intelligence: The Hitchhiker’s Guide From Chain-of-Thought Reasoning to Language Agents. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2311.11797

Zhong, T., Liu, Z., Pan, Y., Zhang, Y., Zhou, Y., Liang, S., Wu, Z., Lyu, Y., Shu, P., Yu, X., Cao, C., Jiang, H., Chen, H., Li, Y., Chen, J., Hu, H., Liu, Y., Zhao, H., Xu, S., … Liu, T. (2024). Evaluation of OpenAI o1: Opportunities and Challenges of AGI. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2409.18486

Zhou, J., Sheng, Y., Lou, H., Yang, Y., & Fu, J. (2026a). FormalJudge: A Neuro-Symbolic Paradigm for Agentic Oversight. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2602.11136

Zhou, J., Sheng, Y., Lou, H., Yang, Y., & Fu, J. (2026b). FormalJudge: A Neuro-Symbolic Paradigm for Agentic Oversight. arXiv (Cornell University). http://arxiv.org/abs/2602.11136

Zhou, W., Ou, Y., Ding, S., Li, L., Wu, J., Wang, T., Chen, J., Wang, S., Xu, X., Zhang, N., Chen, H., & Jiang, Y. E. (2024). Symbolic Learning Enables Self-Evolving Agents. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2406.18532