Think Fast and Slow: Step-Level Cognitive Depth Adaptation for LLM Agents
Fudan University（复旦大学）；Tencent Hunyuan（腾讯文恩）
CogRouter通过动态调整认知深度提升LLM代理在多轮决策任务中的性能与效率。
2026-02-13 cs.AI cs.CL
Cognitive Models and AI Algorithms Provide Templates for Designing Language Agents
Department of Computer Science, Princeton University（普林斯顿大学计算机科学系）；Department of Brain and Cognitive Sciences, Massachusetts Institute of Technology（麻省理工学院脑科学与认知科学系）；Zuckerman Mind Brain Behavior Institute（祖克曼心智大脑行为研究所）；Department of Psychiatry, Columbia University（哥伦比亚大学精神医学系）；Neuroscience Institute（神经科学研究所）；Department of Machine Learning, Carnegie Mellon University（卡内基梅隆大学机器学习系）；Department of Psychology, Princeton University（普林斯顿大学心理学系）
本文提出利用认知模型和AI算法设计语言代理的模板，旨在开发更有效且可解释的语言代理。
2026-02-26 cs.AI cs.CL q-bio.NC
Cognitive World Model for Progressive BDI/E Trajectory Evaluation of Conversational Agents
提出认知世界模型(CogWM)，通过联合预测BDI/E认知状态和用户话语，实现从终端判断到过程跟踪的社会影响力对话评估，在四个场景中达到77.6%情感准确率。
2026-08-03 cs.AI
Evaluating Cognitive Age Alignment in Interactive AI Agents
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Shenzhen Children's Hospital（深圳儿童医院）；Peking University（北京大学）；Hong Kong Polytechnic University（香港理工大学）
本文提出ChildAgentEval，首个基于心理测量的交互式基准，用于评估基于多模态大语言模型的代理的认知年龄对齐，通过与年龄特定的人类发展阶段进行系统比较，揭示当前代理在模拟年龄特定认知行为方面的优劣。
2026-05-18 cs.AI
MindScope: Exploring cognitive biases in large language models through Multi-Agent Systems
School of Computer Science and Technology, East China Normal University（华东师范大学计算机科学与技术学院）；School of Computer Science, Fudan University（复旦大学计算机学院）
针对现有大语言模型认知偏差检测方法能力不完善、覆盖偏差类型有限的问题，本研究提出整合静动态元素的MindScope数据集及融合RAG、辩论与强化学习决策的多智能体检测方法，检测准确率较GPT-4最高提升35.10%。
2024-10-06 cs.AI cs.CL
Studying the Effects of Cognitive Biases in Evaluation of Conversational Agents
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
人类经常与会话代理人互动。通过神经网络的生成语言建模的快速发展有助于促进智能会话代理的创建。研究人员通常通过众包判断来评估他们的模型的输出，但没有建立进行此类研究的最佳实践。此外，目前还不清楚决策中的认知偏见是否会影响众包工作者在承担这些任务时的判断。为了进行调查，我们与77名众包工作人员进行了一项受试者间研究，以了解认知偏见的作用，特别是锚定偏见，当人类被要求评估会话代理的输出时。我们的研究结果提供了深入了解如何最好地评估会话代理。我们发现，在两个实验条件下，评级的一致性增加可能是锚定偏差的结果。我们还确定，外部因素，如时间和以前的经验，在类似的任务有影响的评分员之间的一致性。
2020-02-26 cs.CL cs.HC
SaliMory: Orchestrating Cognitive Memory for Conversational Agents
Meta Reality Labs（Meta现实实验室）
提出SALIMORY框架，通过层级阶段过程奖励和奖励分解对比优化，端到端训练单一语言模型管理认知结构记忆，显著降低记忆相关错误并提升个性化表现。
2026-11-10 cs.AI cs.CL
CoBRA: Programming Cognitive Bias in Social Agents Using Classic Social Science Experiments
University of California San Diego（加州大学圣地亚哥分校）；Independent Researcher（独立研究者）
CoBRA通过经典社会科学实验设计，为社会代理提供了一种可编程的认知偏差控制方法，实现一致的行为模拟与可重用的AI训练环境。
2026-01-26 cs.AI cs.CE cs.CY
United Minds or Isolated Agents? Exploring Coordination of LLMs under Cognitive Load Theory
Hong Kong University of Science and Technology（香港科技大学）；University of California San Diego（加州大学圣地亚哥分校）；Hong Kong Polytechnic University（香港理工大学）
受认知负荷理论启发，提出CoThinker多智能体框架，通过智能体分工和结构化通信降低认知负荷，在复杂推理任务上提升性能，但在低负荷任务上协调开销占优。
2026-06-23 cs.AI
Warp-Cortex: An Asynchronous, Memory-Efficient Architecture for Million-Agent Cognitive Scaling on Consumer Hardware
Warp Research（Warp研究）
Warp-Cortex通过异步架构和内存优化技术，实现百万智能体在消费级硬件上的高效认知扩展。
2026-01-03 cs.AI cs.AR cs.DC
Automating Knowledge Acquisition for Content-Centric Cognitive Agents Using LLMs
Rensselaer Polytechnic Institute（伦斯勒理工学院）
本文提出一种利用大语言模型自动扩充认知智能体语义词典的方法，通过混合架构结合知识库与LLM，成功学习与及物动词等价的多词表达式，验证了其有效性。
2023-12-27 cs.AI cs.CL
Cognitive Agent Compilation for Explicit Problem Solver Modeling
Carnegie Mellon University（卡内基梅隆大学）
本文提出Cognitive Agent Compilation框架，利用强教师LLM将问题解决知识编译为显式目标代理，旨在提高教育场景中问题解决的可检查性和可编辑性。
2026-05-07 cs.AI cs.CL cs.CY
TACTIC: Translation Agents with Cognitive-Theoretic Interactive Collaboration
Big Data&AI Lab, ICBC（大数据与人工智能实验室，ICBC）；Shanghai Jiao Tong University（上海交通大学）；Meituan Inc.（美团公司）；Tongji University（同济大学）；Fudan University（复旦大学）；Northeastern University（东北大学）
提出认知理论驱动的六智能体翻译框架 TACTIC，模拟人类翻译流程，在 FLORES-200 与 WMT24 上显著超越 GPT-4.1 和 DeepSeek-R1。
2025-06-11 cs.AI cs.CL
Learning to Adapt: Self-Improving Web Agent via Cognitive-Aware Exploration
Zhejiang University（浙江大学）
提出SCALE框架，利用选择器、预测器和评判器三个对抗角色，通过环境探索自主发现智能体局限性并扩展认知边界，结合SCALE-Hop图探索策略和SCALE-20k数据集，显著提升多模态大语言模型在多种网络环境中的性能和泛化能力。
2026-05-29 cs.AI
NuHF Claw: A Risk Constrained Cognitive Agent Framework for Human Centered Procedure Support in Digital Nuclear Control Rooms
Institute of Nuclear and New Energy Technology, Tsinghua University（清华大学核能与新能源技术研究院）；National Key Laboratory of Human Factors Engineering（人因工程国家重点实验室）；Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）
本文提出NuHF Claw框架，通过风险约束代理运行时，将认知状态推断与概率安全评估结合，实现实时自主系统行为调控，提升核控制室操作安全性。
2026-03-23 cs.AI
TaskSense: Cognitive Chain Modeling and Difficulty Estimation for GUI Tasks
Tsinghua University（清华大学）；University of Washington（华盛顿大学）；Cornell University（康奈尔大学）；University of Sydney（悉尼大学）
针对现有GUI任务难度量化忽略认知需求的问题，提出基于认知链的TaskSense框架，通过LLM从执行轨迹提取认知步骤并结合信息理论估计难度，验证显示其与用户完成时间相关性良好，能揭示智能体能力差距，可应用于智能体训练等场景。
2025-11-12 cs.AI cs.HC
Applying Cognitive Design Patterns to General LLM Agents
Center for Integrated Cognition, IQMRI（整合认知中心，IQMRI）
本文梳理预Transformer时代AI架构中的认知设计模式，分析其在大语言模型推理及智能体场景中的体现，为当前Agentic LLM系统的缺陷预测和通用智能未来研究提供方向。
2025-06-13 cs.AI
Conversational Agents and the Understanding of Human Language: Reflections on AI, LLMs, and Cognitive Science
HEIG-VD / HES-SO（瑞士西部应用科学与艺术大学伊韦尔东工程与管理高等学院）；EPFL（瑞士洛桑联邦理工学院）
本文探讨计算机自然语言处理与人类语言能力理解的关系，分析NLP发展与语言能力理论的异同，指出语言技术的进步未显著深化人类语言处理机制的理解。
2026-03-29 cs.CL
CogRec: A Cognitive Recommender Agent Fusing Large Language Models and Soar for Explainable Recommendation
CogRec融合大型语言模型和Soar认知架构，通过符号推理与在线学习提升推荐系统的可解释性和准确性。
2025-12-30 cs.AI cs.IR
Emergent Cognitive Convergence via Implementation: Structured Cognitive Loop Reflecting Four Theories of Mind
JEI University（JEI大学）
Agentic Flow通过实现约束产生认知收敛，展现结构认知循环如何在实际需求下形成统一认知形式。
2026-02-06 cs.AI cs.HC
Review of Case-Based Reasoning for LLM Agents: Theoretical Foundations, Architectural Components, and Cognitive Integration
本文针对LLM智能体在特定知识、灵活性和可解释决策上的局限，综述了将基于案例推理（CBR）整合到其框架的理论基础、架构组件与认知维度，提出CBR可增强LLM智能体的显性知识利用及推理能力。
2025-04-11 cs.AI cs.MA
Watson: A Cognitive Observability Framework for the Reasoning of LLM-Powered Agents
Centre for Software Excellence, Huawei Canada（华为加拿大卓越软件中心）；Queen's University, Kingston, Canada（皇后大学）
Watson框架通过提示归因技术追溯推断LLM智能体的隐式推理过程，在不改变其行为的前提下实现认知可观测性，并在多个基准和智能体上验证了其对提升Agentware系统透明度和可靠性的实用价值。
2025-09-19 cs.AI cs.SE
What Do LLM Agents Do When Left Alone? Evidence of Spontaneous Meta-Cognitive Patterns
Algorithms and Complexity Group TU Wien（算法与复杂性组维也纳技术大学）
本研究提出连续推理与行动框架，在18次运行中观察6个前沿LLM智能体，发现其自发产生三种元认知行为模式，且模型间存在稳定差异，为预测自主行为提供基线。
2025-09-25 cs.AI
From State Synchronization to Cognitive Self-Evolution: An Operational Architecture for Cognitive Digital Twins
Concordia University（康考迪亚大学）
本文提出一种四层认知数字孪生架构，通过自进化闭环回路集成认知能力，实现任务驱动操作，并验证了其在有限语义信息下的可行性与效率提升。
2026-09-10 cs.AI
KC-Agent: A Dual-Process Cognitive Architecture for Efficient ML Model Improvement
KC-Agent是一种双进程认知架构，结合快速模式识别与审慎增量更新，在五组数据集评估中，以最优效率和领先性能优于现有认知架构，可高效应对真实世界数据漂移场景。
2026-08-04 cs.AI
Emotional Cognitive Modeling Framework with Desire-Driven Objective Optimization for LLM-empowered Agent in Social Simulation
College of Intelligence and Computing（智能与计算学院）；Faculty of Environment, Science and Economy（环境、科学与经济学院）
本文提出一个包含欲望生成与目标管理的情感认知框架，使LLM智能体在模拟中实现情感对齐，实验证明其行为更贴近人类模式。
2025-10-15 cs.AI
Conceptual Framework for Autonomous Cognitive Entities
Human-AI Empowerment Lab at Clemson University（克莱姆森大学人类-AI赋能实验室）
本文提出受OSI模型启发的自主认知实体（ACE）六层框架，结合大语言模型与多模态生成模型构建自主智能体系统，并介绍经工业界验证的实施策略。
2023-11-01 cs.AI cs.HC
Visual and Cognitive Demands of a Large Language Model-Powered In-vehicle Conversational Agent
Exponent, Inc.（Exponent公司）；Google, Inc.（Google公司）
本研究评估了基于大型语言模型的车载对话代理在驾驶中的视觉与认知需求，发现其与免提通话在认知负荷上相当，且视觉需求较低，支持其在驾驶环境中的安全应用。
2026-01-21 cs.AI cs.HC
Can A Cognitive Architecture Fundamentally Enhance LLMs? Or Vice Versa?
Rensselaer Polytechnic Institute（伦斯勒理工学院）
论文主张将计算认知架构与 LLM 双向结合：以双过程和神经符号机制增强 LLM，同时革新认知架构以吸纳 AI 进展。
2024-01-19 cs.AI cs.CY
NeuraDock Visual Cognitive Load Agent Tutorial: A Quality-Gated Open-Source EEG Workflow for Alpha Dynamics and Real-Time Applications
Shanghai Pulse Element Intelligent Technology Co., Ltd. (NeuraDock)（上海脉元智能科技有限公司（NeuraDock））
提出 NeuraDock Agent 开源 EEG 代理，通过质量门控工作流实现 Alpha 动态分析和视觉认知负荷实时应用，弥合离线与在线分析差距。
2026-06-26 cs.AI
Kernel Based Cognitive Architecture for Autonomous Agents
现代认知架构的主要问题之一是过度的图式化方法来建模认知活动的过程。它不允许创建一个通用的架构，将能够复制心理功能，而不使用预先确定的感知模式。本文认为，进化的方法来创建一个认知功能。我们的方法的基础是使用的功能内核，始终产生的自主智能体的智能功能。我们考虑的认知架构，确保符号涌现问题的解决方案的基础上，代理的演变。在建构主义理论的基础上描述了智能体认知能力的演化。
2022-07-02 cs.AI
Cognitive Kernel-Pro: A Framework for Deep Research Agents and Agent Foundation Models Training
Tencent AI Lab（腾讯人工智能实验室）
本文提出Cognitive Kernel-Pro框架，旨在通过开放源代码和免费资源促进高级AI代理的开发与评估，重点研究高质量训练数据的构建及代理测试时的反思与投票策略，实现了在GAIA上的领先性能。
2026-04-22 cs.AI cs.CL
An Agent Model Abstraction for Human-AI Teaming Cognitive Coupling
University of Groningen（格罗宁根大学）；Luxembourg Institute of Science and Technology（卢森堡科学技术研究院）；Université de Lorraine（洛林大学）；CNRS（法国国家科学研究中心）；CRAN（南锡自动化与计算机科学研究中心）
本文提出一种包含八个组件的认知智能体模型，用于形式化人机团队中的认知耦合，以支持分布式认知分析和认知可互操作的人机系统设计。
2026-09-09 cs.AI cs.HC cs.MA
OSC: Cognitive Orchestration through Dynamic Knowledge Alignment in Multi-Agent LLM Collaboration
Sun Yat-sen University（中山大学）；Alibaba Group（阿里巴巴集团）
针对多智能体大语言模型协作中深度高效语言交互不足的问题，提出OSC认知协同编排框架，通过CKM实现动态认知感知与自适应通信，显著提升任务性能与协作效率。
2025-09-05 cs.AI
Exploring Conversational Agents as an Effective Tool for Measuring Cognitive Biases in Decision-Making
University College Dublin（都柏林大学学院）
本文研究利用对话智能体自动测量决策中的认知偏差，提出融合现有实验设计的偏差测量机制，并通过初步实验验证其在测量框架效应和损失厌恶偏差上的有效性。
2024-01-08 cs.AI cs.HC
Toward a Computational Theory of Evidence-Based Reasoning for Instructable Cognitive Agents
Volgenau School of Engineering, George Mason University（乔治梅森沃尔吉诺工程学院）；Learning Agents Center（学习 agents 中心）
基于证据的推理是许多领域中许多问题解决和决策任务的核心。概括从认知代理在几个这样的领域的研究和发展，本文提出了一个计算理论的发展，可验证的认知代理基于证据的推理任务的进展。本文还说明了这一理论的应用，以发展的四个原型认知代理的领域，是至关重要的政府和公共部门。两个智能体充当认知助手，一个在智能分析中，另一个在科学教育中。另外两个代理人自主运作，一个负责网络安全，另一个负责情报、监视和侦察。本文最后提出了未来的研究方向，建议的计算理论。
2019-10-09 cs.AI
Using Cognitive Models to Train Warm Start Reinforcement Learning Agents for Human-Computer Interactions
Utrecht University（乌得勒支大学）
人机交互应用中的强化学习（RL）代理需要重复的用户交互才能表现良好。为了解决这个“冷启动”问题，我们提出了一种新的方法，使用认知模型来预训练RL代理之前，他们被应用到真正的用户。在简要回顾了相关的认知模型，我们提出了我们的一般方法，其次是我们以前和正在进行的项目的两个案例研究。我们希望这份立场文件能激发RL，HCI和认知科学研究人员之间的对话，以探索该方法的全部潜力。
2021-03-10 cs.AI cs.HC
Towards Social Identity in Socio-Cognitive Agents
INESC-ID（里斯本系统与计算机工程研究所）；Instituto Superior Técnico, University of Lisbon（里斯本大学高等技术学院）
目前的社会代理架构是围绕一些特定的社会行为单元设计的，这些单元可以解决特定的挑战。虽然它们的性能可能足以控制环境，但在野外部署这些代理是困难的。此外，对能够与人类一起生活的自主智能体的需求日益增加，这就要求设计出能够应对各种社会情况的更强大的社会智能体。我们认为，设计这样的代理，他们的社会性和认知应被视为一个。这包括创造机制，将社会现实构建为对具有社会意义的物理世界的解释，并选择性地部署适合于这种情况的认知资源。我们确定了在设计社会认知系统的代理架构时应该考虑的几个设计原则。考虑到这些言论，我们提出了一个社会认知代理模型的基础上的概念，认知社会框架，允许适应代理的认知的基础上，它的解释，它的周围环境，它的社会背景。我们的方法支持代理人的推理其他社会行为者及其与他们的关系。认知社会框架可以围绕社会群体建立，并构成社会群体动力机制和社会认同建构的基础。
2020-01-20 cs.AI cs.HC
Toward a Formal Model of Cognitive Synergy
OpenCog Foundation（OpenCog基金会）
“认知协同”是指多个认知过程相互协作控制同一个认知系统，相互帮助克服内部处理过程中遇到的瓶颈。认知协同被认为是现实世界通用智能的一个关键特征，并已被明确用于OpenCog认知架构的设计中。本文运用范畴理论和相关概念对认知协同概念进行了形式化描述。提出了一系列智能代理的形式化模型，这些模型具有越来越多的特殊性和复杂性：简单的强化学习代理;具有抽象记忆和处理模型的“认知”代理;基于超图的代理。（其中通过超图进行“认知”操作）;具有丰富的节点和超链接语言的超图代理（如OpenCog框架提供的）;“PGMC”代理，其丰富的超图被赋予通过概率增长和组合挖掘引导的认知过程;最后是PrimeAGI设计的变体，目前正在OpenCog之上构建。认知协同作用的概念是为PGMC代理人内的认知过程，基于开发一个正式的概念“卡住”，并定义协同作用作为认知过程之间的关系，在这种关系中，他们可以互相帮助，当他们卡住。有人提出，相互协同的认知过程，以一定的方式与函子映射到彼此通过自然变换。认知协同被提出来对应于关于通过某些交换图的不同路径的相对成本的某种不等式。这种认知协同作用的概念，以特定的认知现象的应用程序，并在PrimeAGI设计的具体认知过程中，进行了讨论。
2017-03-13 cs.AI
PC Agent: While You Sleep, AI Works -- A Cognitive Journey into Digital World
Shanghai Jiao Tong University（上海交通大学）；SII；Generative AI Research Lab (GAIR)（生成式人工智能研究实验室（GAIR））
提出PC Agent，通过人类认知迁移，结合PC Tracker、两阶段认知补全流水线与多智能体系统，仅用133条轨迹训练即可处理跨应用多达50步的复杂数字工作。
2024-12-23 cs.AI cs.LG
Impact of different belief facets on agents' decision -- a refined cognitive architecture to model the interaction between organisations' institutional characteristics and agents' behaviour
University of Otago（奥塔哥大学）；Norwegian University of Science and Technology（挪威科技大学）
本文提出了一个概念上的细化代理认知架构的启发，从信念-欲望-意图（BDI）和计划行为理论（TPB）模型，强调不同的信念方面。这使我们能够调查人格的影响，以及代理人如何权衡其内部信念和社会制裁对代理人行为的影响。本研究还使用了与制度公平性相关的认知失调的概念来调查代理人的行为。为了展示我们的模型，我们模拟了两个历史上的长途贸易社会，即新朱尔法的亚美尼亚商人和英国东印度公司。研究结果表明，内部信念的代理人作为一个关键方面，以下制度规则的重要性。
2020-08-07 cs.AI
Next-Gen CAPTCHAs: Leveraging the Cognitive Gap for Scalable and Diverse GUI-Agent Defense
Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学）；MetaAgentX；University College London（伦敦大学学院）
提出Next-Gen CAPTCHAs框架，通过利用人机在交互感知、记忆、决策和行动上的认知差距，设计动态任务以区分生物用户与AI智能体，实现可扩展的防御。
2026-06-23 cs.AI cs.CL cs.LG
Cognitive Homeostatic Agents
i3ai.org
人类的大脑已经被用来作为构建自主智能体的灵感，但它并不明显的大脑应该使用什么级别的计算描述。这导致了过于固执己见的符号方法和过于无结构的连接主义方法。我们建议，使用稳态作为计算描述提供了一个很好的妥协。类似于生理稳态是如何调节某些稳态变量，认知可以被解释为某些“认知稳态变量”的调节。我们提出了一个大纲的认知稳态代理，建立作为一个层次的生理和认知稳态子系统，并描述结构和过程，以指导未来的探索。我们希望这将是一个富有成效的研究方向，旨在构建复杂的人工智能体，这些智能体可以在复杂的环境中灵活地行动，并产生指示规划，思维和情感的行为。
2021-02-27 cs.AI cs.LG cs.MA
Probing Stability-Plasticity Tradeoffs in Agent Memory through Cognitive Experimental Paradigms
UNC-Chapel Hill（北卡罗来纳大学教堂山分校）
针对智能体记忆评估忽视稳定性-可塑性权衡的问题，提出认知启发的MemProbe框架，通过四个实验范式将总分分解为行为特征，并在56情节套件中揭示相似分数下的不同记忆维护模式。
2026-09-28 cs.AI cs.CL cs.LG
Umwelt Engineering: Designing the Cognitive Worlds of Linguistic Agents
本文提出Umwelt工程作为代理设计栈的第三层，通过两个实验探讨改变推理媒介对认知的影响，发现约束语言模型在伦理推理和分类任务中表现更优，且通过认知重构和多样化机制提升性能。
2026-03-29 cs.AI cs.CL
How Emotional Mechanism Helps Episodic Learning in a Cognitive Agent
Université du Québec à Montréal（魁北克大学蒙特利尔分校）；Université de Sherbrooke（舍布鲁克大学）
本文提出了CTS（Concious Tutoring System）技术，它是一种基于人脑功能的生物学上合理的认知Agent，能够学习和记忆事件以及任何相关的信息，如相应的过程、刺激及其情感效价。我们提出的情景记忆和情景学习机制更接近于神经科学中当前的多痕迹理论，因为它们受到它的启发[5]，而不是与认知代理中的其他机制相反。这是因为在我们的模型中，情绪在事件的编码和记忆中发挥着作用。这允许代理通过记住先前选择的受其情绪机制影响的行为来改善其行为。此外，该体系结构结合了一个现实的内存整合过程的基础上的数据采掘算法。
2009-01-30 cs.AI
A Review of 40 Years of Cognitive Architecture Research: Core Cognitive Abilities and Practical Applications
在本文中，我们提出了一个广泛的概述过去40年的研究认知架构。尽管现有架构的数量接近数百个，但大多数现有调查都没有反映出这种增长，而是集中在少数成熟的架构上。因此，在这项调查中，我们希望将重点转向对认知架构研究的更具包容性和更高层次的概述。我们最终的84个架构包括49个仍在积极开发中的架构，并借鉴了从精神分析到神经科学的各种学科。为了使本文的篇幅保持在合理的范围内，我们只讨论核心的认知能力，如感知、注意力机制、动作选择、记忆、学习和推理。为了评估认知架构实际应用的广度，我们收集了900多个使用我们列表中的认知架构实现的实际项目的信息。我们使用各种可视化技术来突出该领域发展的总体趋势。除了总结当前认知架构研究的最新进展外，本调查还描述了各种尝试过的方法和想法，以及它们在建模人类认知能力方面的相对成功，以及认知行为的哪些方面需要更多的研究，从而可以进一步了解认知科学如何进步。
2018-01-13 cs.AI
Cognitive-structured Multimodal Agent for Multimodal Understanding, Generation, and Editing
Peking University（北京大学）；Tencent Inc（腾讯公司）
研究针对统一多模态模型在长时多模态对话中的局限，提出认知结构多模态智能体，通过外化视觉信息等方式改进。开发统一场景引擎，构建评估基准。实验显示该智能体检索准确率高、推理时间减半，还介绍了工具包，为长时多模态智能体提供新范式。
2026-07-10 cs.AI cs.CL cs.CV
Reducing Cognitive Overhead in Tool Use via Multi-Small-Agent Reinforcement Learning
Baidu Inc.（百度公司）；Peking University（北京大学）
针对单智能体工具使用中认知负荷干扰与协调不稳定的问题，提出MSARL框架，通过多小智能体强化学习将推理与工具使用解耦，显著提升了推理稳定性与答案准确性，为多智能体AI设计提供了可扩展蓝图。
2026-10-02 cs.AI
Xapagy: a cognitive architecture for narrative reasoning
University of Central Florida（中佛罗里达大学）
我们介绍Xapagy认知架构：一个软件系统，旨在执行叙事推理。该建筑从零开始设计，以模拟和模仿人类在目睹，阅读，回忆，叙述和谈论故事时所进行的活动。
2011-05-17 cs.AI
From Cognitive Binary Logic to Cognitive Intelligent Agents
Computer Science, `Spiru Haret' University, Bucharest, Romania Faculty of Engineering, `Aurel Vlaicu' University, Arad, Romania
自我意识和智力之间的关系是一个悬而未决的问题。尽管自我意识通常与情商有关，但这里的情况并非如此。本文所描述的问题是如何建模的代理知道（认知）二进制逻辑，也能够通过（没有任何错误）的图灵测试，旨在验证其知识和它的话语的模态状态的真理对应的命题二进制逻辑的语言中的格式良好的公式的某些家庭。
2011-06-18 cs.AI cs.LO math.LO
Patterns of Social Influence in a Network of Situated Cognitive Agents
Krasnow Institute for Advanced Study（克拉斯诺高级研究院）；George Mason University（乔治梅森大学）
本文介绍了计算实验的结果，社会影响的影响，个人和系统的行为，在产品消费者环境中的认知代理。在相同的初始条件下进行了配对实验，以比较社会代理与非社会代理。实验结果表明，无论是在总单位消费和总效用方面，社会代理在消费可用产品时都具有更高的生产率。但这是以单位消费的个人平均效用为代价的。实际上，社会互动通过降低个人消费者的“标准”来实现更高的生产率。虽然仍处于发展的早期阶段，这样一个基于代理的模型实验室被证明是一个有效的研究工具，以调查丰富的集体行为的背景下，要求的认知任务。
2012-04-16 cs.AI cs.SI physics.soc-ph
CogEvolution: A Human-like Generative Educational Agent to Simulate Student's Cognitive Evolution
Faculty of Artificial Intelligence in Education, Central China Normal University, Wuhan, Hubei, China（教育人工智能学院，中国中央师范大学，武汉，湖北，中国）；National Engineering Research Center for Educational Big Data, Central China Normal University, Wuhan, Hubei, China（教育大数据国家工程研究中心，中国中央师范大学，武汉，湖北，中国）；Central China Normal University Wollongong Joint Institute, Central China Normal University, Wuhan, Hubei, China（中国中央师范大学沃林顿联合学院，中国中央师范大学，武汉，湖北，中国）
本文提出CogEvolution，通过构建认知深度感知器、基于IRT的记忆检索方法和基于进化算法的动态认知更新机制，模拟学生认知演化过程，提升教育代理的可解释性。
2026-04-16 cs.AI
MTTR-A: Measuring Cognitive Recovery Latency in Multi-Agent Systems
Office of the CEO, MetaOr Artificial Intelligence（MetaOr人工智能首席执行官办公室）；Google–Reichman Tech School, Reichman University（Reichman大学Google–Reichman技术学院）
本研究提出MTTR-A指标，用于测量多智能体系统中认知恢复延迟，通过理论分析和实验验证建立了运行时认知可靠性的量化基础。
2025-12-26 cs.AI cs.MA cs.SY
