如果你想要构建 AI 智能体，非常建议认真读一读这篇论文《Cognitive Architectures for Language Agents（CoALA）》。

大胖媳妇

如果你想要构建 AI 智能体，非常建议认真读一读这篇论文《Cognitive Architectures for Language Agents（CoALA）》。它把最近两年五花八门的 LLM Agent，统一拉回到一个“认知架构”的老问题上：一个智能体，究竟应该有哪些“心智部件”，它们如何协同？


这两天我又重温了一遍这篇论文，作为学习笔记做一些总结，和大家分享和探讨。
CoALA 的核心观点可以概括为三条：记忆模块、动作空间、决策循环。

一、记忆模块：不只是“加个向量库”

CoALA 直接借用了经典认知心理学的分法：
1. 工作记忆：当前决策轮次里正在被关注的信息，是 LLM 输入输出的“变量容器”；  
2. 长期记忆细分为三类：  
程序性记忆：规则与技能，一部分在 LLM 权重里，一部分在 Agent 代码和工具定义里；  
语义记忆：关于世界与任务的事实知识，可以是文档、知识库、向量检索；  
情景记忆：过往任务轨迹、交互历史、失败教训。

关键点在于：一个 Agent 要想真正“可成长”，必须同时会读写这些记忆，而不仅仅是“从知识库检索几段文本”。

二、动作空间：不仅有“调工具”，还有内部动作

CoALA 把 Agent 的动作分为外部与内部两大类：
1. 外部动作：调 API、操作网页/机器人、与人对话等；  
2. 内部动作：  
检索：从长期记忆读入到工作记忆；  
推理：在工作记忆上做分析、规划、反思；  
学习：把新的经验、总结、策略写回长期记忆。

这点对工程实践的启示是：如果我们只给 Agent 暴露“调用工具”和“回复用户”两个动作，它就永远学不会管理自己的知识，更不会形成稳定的行为模式。

三、决策循环：从“一次生成”到“提案–评估–选择–执行”

论文把现在各种 CoT、ReAct、ToT、Reflexion 等方法统一成一个通用决策循环：
先通过“推理 + 检索”提出若干候选动作或计划；  
再用启发式、价值函数、或 LLM 内部模拟进行评估；  
选择其中一个动作执行，并记录反馈到情景记忆；  
在合适时机触发学习，把这次经验固化为新的语义/程序性知识。

这不仅是一套方法，更像是一个“思维框架”：不要指望 LLM 一步给答案，而是让它在一个循环里“想一想、试一试、记一记”。

对构建智能体的几个关键启示：
设计 Agent 时，先画出这三样：记忆结构、动作接口、决策流程，再选模型、接工具。大模型只是其中一个“推理引擎”。  
要有意识地赋予 Agent “写入记忆”的能力——哪怕一开始只允许写入日志/总结，也比完全无记忆来得强。  
安全风险最高的是动作空间里“能改什么”：改代码、改策略、改记忆，都要有明确边界和人工审核。  
高级 Agent 的难点，不在于 prompt 有多花哨，而在于：你是否有一个清晰、可复用的认知架构，能让不同任务的 Agent 共用同一套“心智骨架”。

读完这篇论文，设计新 Agent 时需要先想清楚三个问题：
1. 它的记忆是怎样分层的？  
2. 它都拥有什么内部与外部动作？  
3. 它的决策循环长什么样？  

如果这三问答不清，再强的模型接上去，最后多半还是一个“高级脚本”，而不是一个真正可演化的智能体。