利用符号人工智能的代理设计历史，我们提出了一种新的认知语言代理的蓝图，即 Cognitive Architectures for Language Agents (CoALA) 框架，这个框架将大型语言模型与外部资源或内部控制流结合起来，以实现基于语言模型的推理、概念化、学习和决策。通过 CoALA 框架，我们强调了目前语言代理的不足，并提出了未来发展更强大的语言代理的具体方向。

Sep, 2023

研究论文讨论了解决当前基于 LLM 的 AI 系统局限性所需的内容，并认为将人类认知和心理学的见解作为基于计算的认知架构的一部分可以帮助开发能力更强、更可靠、更具人类特征的系统。它强调双过程架构和混合神经符号方法在解决当前 LLM 的局限性方面的重要性。与此相反，该论文还强调了需要彻底改变计算机认知架构以更好地反映人工智能和计算技术的进步的必要性。总的来说，该论文主张从多学科的、互利共赢的角度来开发更好的模型，既用于人工智能，也用于理解人类思维。

Jan, 2024

通过将大型语言模型（LLMs）组织成以社区为基础的结构，该论文介绍了一种变革性方法，旨在增强 LLMs 的集体智能和问题解决能力。本文研究了不同的组织模型 - 分层、扁平、动态和联邦，每种模型都具有协作人工智能系统的独特优势和挑战。在这些结构化社区中，LLMs 被设计为专门从事不同的认知任务，采用直接通信、投票系统和基于市场的方法等先进的交互机制，并动态调整其治理结构以满足不断变化的需求。这种社区的实施对于提高人工智能的问题解决能力具有重大潜力，因此有必要深入研究其伦理考虑、管理策略和可扩展性。本文旨在为未来研究奠定基础，主张在人工智能研究和应用中从孤立到协同的运行框架进行范式转变。

May, 2024

利用大型语言模型作为认知系统的任务知识、认知代理和知识提取，以及通过整合提取与认知架构能力来提高知识提取效果的挑战和机会。

Sep, 2023

通过将大型语言模型与深度学习系统整合，提出能够展示类似于代理、自我激励甚至一些元认知特征的认知语言代理体系结构。

Nov, 2023

通过将大型语言模型中的噪声知识与认知模型相结合，我们提出的框架在厨房任务中的具体体验中表明相较于仅基于大型语言模型的代理，我们的方法能够更高效地运作。实验结果表明大型语言模型对认知架构来说是一个信息丰富的来源，并且认知架构能够验证和更新大型语言模型对特定领域的知识。

Feb, 2024

本文就 LLM（如 GPT4）在因果发现任务中的综合应用进行了全面的调查，系统地回顾和比较了现有的 LLM 利用方法，并强调了它们在推断因果结构中利用元数据和自然语言的创新使用。我们的分析揭示了 LLM 在增强传统 CD 方法和作为不完善专家方面的优势和潜力，同时也揭示了当前实践中存在的挑战和限制。此外，我们还确定了文献中的空白，并提出了旨在发挥 LLM 在因果研究中全部潜力的未来研究方向。据我们所知，这是第一次对 LLM 和 CD 之间的协同作用进行统一而详细的调查，为未来的进展奠定了基础。

Feb, 2024

大型语言模型已经展示出了超越传统自然语言处理挑战的卓越能力，为生产使用案例创造了机会。为了实现这一目标，出现了构建复合人工智能系统的显著转变，在其中将大型语言模型与包括模型、检索器、数据库和工具在内的广泛软件基础设施集成。本文介绍了一种针对复合人工智能系统在企业环境中进行成本效益和可行性操作的蓝图架构。我们提出的架构旨在与现有的计算和数据基础设施进行无缝集成，通过 “流” 作为关键的编排概念，在代理和其他组件之间协调数据和指令。任务和数据计划分别将任务和数据分解、映射并优化分配给在各自注册表中定义的可用代理和数据源，考虑生产约束条件，如准确度和延迟。

Jun, 2024

将认知人类工效学与 LLMs 相结合对于提高人机交互的安全性、可靠性和用户满意度至关重要。本文探讨了在 LLM 设计中将认知人类工效学原则的关键整合，旨在为伦理 LLM 开发提供综合框架和实践指南，以促进更安全、更可靠和道德的人机交互。

Jul, 2024

本文研究构建一种 “思考如何回应” 和 “思考如何讲话” 的人工智能口语对话系统，相比当前独立的聊天机器人和文本到语音（TTS）模块的级联流水线，更贴近人类语音生成过程。研究使用拥有数十亿参数的大型语言模型（LLMs），展示其在语音理解能力上的潜力，并通过统一的编码格式进一步整合对话回应和各种语言特征。实验结果表明，基于 LLM 的方法是构建统一口语对话系统的一种有前景的方向。

Sep, 2023