Cognitive Architectures for Language Agents

最近的研究将大型语言模型（LLMs）与外部资源（例如互联网）或内部控制流（例如提示链接）相结合，用于需要基础或推理的任务，从而形成了一类新的语言代理。虽然这些代理已经取得了实质性的实证成功，但我们缺乏一个系统的框架来组织现有的代理并规划未来的发展。在本文中，我们借鉴了认知科学和符号人工智能的丰富历史，提出了面向语言代理的认知架构（CoALA）。CoALA描述了一个具有模块化记忆组件、结构化行动空间以与内部记忆和外部环境交互，并具有广义决策过程以选择行动的语言代理。我们使用CoALA回顾性地调查和组织了大量最近的工作，并展望性地确定了未来更有能力的代理的可行方向。综合来看，CoALA将当今的语言代理置于人工智能更广泛的历史背景中，并概述了通向基于语言的通用智能的路径。

提出Cognitive Architectures for Language Agents (CoALA)的框架，用于组织和规划未来的语言代理的发展。

CoALA框架描述了一个具有模块化记忆组件、结构化行动空间和通用决策过程的语言代理。

论文回顾了大量最近的工作，并将其组织起来，以便更好地理解和规划未来的研究。实验设计的详细信息没有提供。

最近的相关研究包括使用外部资源或内部控制流来增强大语言模型的能力，以及使用prompt chaining等技术来进行推理和理解。