Language Agent最新综述！10大认知架构与50个系统机制解构

From Cognitive Architectures to Language Agents: A Mechanism-Level Review of Lineage, Convergence, and Migration Gaps

在大模型驱动的智能体研发中，“记忆（Memory）”、“规划（Planning）”、“反思（Reflection）”和“工具使用（Tool Use）”已经成为被过度消费的功能标签。几乎每一个开源框架和学术原型都会在架构图上画出这几个方框，但这种高层抽象恰恰掩盖了系统真正运行时的控制语义。一个标着“记忆”的组件，在不同系统中可能是无状态的事件日志、单纯的向量检索接口、长期持久化的键值对，抑或是带有激活衰减与遗忘机制的执行策略；一个所谓的“规划器”，可能只是让大模型生成一段未经检验的自然语言步骤，也可能是一个受严格状态转移约束的图遍历状态机。标签上的共识，掩盖了控制逻辑上的混乱与脆弱。

ArXiv URL：https://arxiv.org/abs/2607.23942v1

这篇综述从计算认知科学与现代系统架构的交叉视角出发，对这一乱象进行了一次彻底的“清障”。作者系统梳理了 10 个具有代表性的经典认知架构（包括 ACT-R、Soar、CLARION、LIDA、BDI、MIDCA 等）、8 大主流大模型智能体 Runtime 框架（如 Letta、LangGraph、AutoGen、AIOS、OpenHands 等），以及 42 个聚焦机制创新的前沿系统。论文跳出功能概念的表面类比，通过统一的七维形式化框架，将智能体操作还原为状态消费、触发条件、转移逻辑与学习反馈的精确控制流，并独立评估了从“概念相似”到“策略自适应更新”的迁移深度。

这项梳理得出了一个极具穿透力的结论：现代 Language Agent 并没有系统性地继承认知架构的遗产，而是在缺乏文献显式引用的情况下，通过试错发生了大量的“独立演进与功能趋同”（Convergence）。单一维度的功能切片（如自适应记忆准入、故障恢复、动态团队选择）在局部已被现代系统攻克，甚至被认为极难闭环的“多技能选择-编译-验证-局部修复-回退”完整控制链，也已被前沿系统 GraSP 完全实现。当前阻碍智能体向高可靠系统演进的核心瓶颈，不再是发明更多单一组件，而是如何将长期被割裂的控制机制重新耦合起来——论文为此提炼出了 5 个仍处于空白断层的核心控制束。

概念通胀的破局：解构智能体的“七维机制”

探讨智能体演进的文献往往容易陷入两极：要么沉溺于宏大的“类脑”比喻，把大模型层层拟人化；要么停留在工程框架的 API 汇总，罗列各个库支持哪些配置。为了打破这种表层对比，本文建立了一套严格的机制分析规约。

任何一个可复现、有实质控制效力的机制，都被抽象为一个七元组：

其中，$S$ 表示机制消费的显式状态，$C$ 是激活控制动作的触发条件，$T$ 是触发后引起的状态转移，$P$ 规定状态的持久化生命周期，$F$ 定义失败检测与异常语义，$L$ 衡量该操作对未来控制策略的学习后果，而 $R$ 则是执行所消耗的资源治理规则。

只有当一个模块明确界定了自己读入什么状态、在何种边界下触发动作、动作如何改变环境或内部表征，以及执行成败是否会改变后续的决策概率时，它才被称为一个“机制”。单纯把一段长文本塞进 Prompt 并不构成控制，提供一个没有自适应调度逻辑的 Checkpoint 也不能被称为认知状态机。

在此基础上，本文设计了相互独立的双轴评估标准：证据关系轴（E1 至 E4）与迁移深度轴（D0 至 D4）。证据关系从 E1（文献中明确注明传承关系）一直降解到 E4（纯粹的结构性独立趋同）；迁移深度则从 D0（仅概念神似）、D1（提供了可调用的接口外观）、D2（具备显式状态和组件结构）、D3（由特定触发条件自主执行控制转移），最终延伸到 D4（执行结果能自适应更新未来的控制策略）。这种切分如同一面照妖镜：许多号称实现了“自我演化”的智能体系统，在去掉营销包装后，其迁移深度只能停留在 D1 或 D2 的工程胶水层，根本没有形成自主的闭环转移。

重读经典遗产：认知架构解决的根本不是存储，而是“控制耦合”

在几十年的发展历程中，经典认知架构最核心的资产从来不是“把模块堆在一起”，而是模块之间精密咬合的控制律。论文对 10 个经典架构的核心机制进行了深度逆向，揭示了现代智能体长期忽视的设计精髓。

ACT-R 绝不仅仅是现代人口中的“工作记忆加长时记忆”。它的核心控制循环在于：通过目标、检索、感知和运动等类型化缓冲区（Typed Buffers）暴露细粒度工作状态，当缓冲区状态匹配产生式规则时，规则开始竞争。决定一个记忆块（Chunk）能否进入工作状态、检索需要耗费多少物理延迟（Latency）的，是底层的动态激活度方程；而决定哪条规则被选中的，是基于历史强化学习更新的生产规则效用（Utility）。它在底层将“记忆准入、检索延迟、动作效用”融合成了一套统一的资源敏感控制，而不是像现代 Agent 那样，把向量检索当成一个零延迟、无代价的独立黑盒。

Soar 所解决的则是更高维的控制冲突。在 Soar 中，问题表征在工作记忆内，各种算子（Operators）被提出作为状态转移候选。当系统面临平局（Tie）、冲突（Conflict）、全盘拒绝或无可用候选时，不会直接抛出异常，而是将其表征为一个“类型化僵局（Typed Impasse）”。这个僵局会触发一个专属于该问题的隔离子状态（Child Substate），子状态拥有自己的局部决策上下文，专门负责排解该冲突。一旦局部冲突被解决，结果返回父级状态，组块机制（Chunking）会把解决该僵局所需的依赖条件与解析策略直接编译成一条全新的永久规则。这种“故障类型化 $\rightarrow$ 局部作用域沙箱恢复 $\rightarrow$ 控制知识持久编译”的链条，与现代大模型在遇到报错时简单重试（Retry）或粗暴地把报错信息拼回上下文的做法，存在着代际级的严谨度差异。

CLARION 致力于协调显式规则与隐式试错倾向，通过自下而上的提取与自上而下的同化，平衡深思熟虑的高昂代价与惯性执行的高效低敏；LIDA 提出了全局工作区（Global Workspace）理论在计算中的具现，其核心并非消息广播，而是在注意力受限的约束下，由专门的代码元（Codelets）组成联盟竞争有限的工作区准入权，获胜者才能被广播，且准入结果直接反馈给后续的学习过程；BDI 架构则提出了严格的意图（Intention）与承诺策略（Commitment Strategy），以此约束智能体的注意力发散，阻止大模型在多步执行中由于偶然生成的文本而产生“目标漂移”；MIDCA 更是分离了认知执行层与元认知监控层，元控制器一旦捕捉到执行异常，拥有一手切换底层规划器和推理方法的硬权威。

这些经典系统的共同特征，是把状态转移、失败处理和资源约束紧密交织在一起。它们提供的不是静态数据结构，而是关于“系统该何时干预自身行为”的控制律。

现代 Agent 的真实拼图：通用底座就位，前沿系统悄然趋同

反观现代语言智能体的生态，论文将其划分为两个截然不同但互为补充的层级：Layer A（通用运行时底座）与 Layer B（机制级特化探索系统）。

Layer A 包括 Letta、LangGraph、AutoGen、AgentScope、OpenHands、Microsoft Agent Framework、OpenAI Agents SDK 以及 AIOS 等。这些系统在过去两年中完成了惊人的工程基建：它们确立了 Agent 的持久化边界、线程恢复机制、图遍历拓扑、工具注册接口与事件驱动模型。然而，论文指出了一个极为清醒的判定：通用运行时所提供的是“工程操作面”，而非“认知控制律”。LangGraph 的 Checkpoint 提供了保存状态的能力，但并不能决定遭遇死锁时该分叉出怎样的问题沙箱；Letta 提供了分层记忆的存储槽位，但并未给出根据任务效用自动决定写入与遗忘的微分方程。

真正的机制演进发生在 Layer B 的前沿探索中。通过对 42 个专用机制系统的筛查，论文发现，现代 Agent 正在大量通过“独立趋同”复现认知架构的精髓，且很多方向已达到深度的自主更新（D3 乃至 D4 等级）：

• 记忆自适应控制：AgeMem、Memory-R1 与 DeltaMem 已经能够依据任务结果自动优化记忆的检索与合并策略；A-MAC 在形式上将未来效用、置信度、新颖度与内容类型统一建模为自适应准入策略；CURATOR 甚至在线拟合了边际效用与检索倾向，以“每字节净价值扣除潜在风险”作为硬指标，在严格物理算力与显存预算下管理记忆的留存与分享。这表明在数据管理层面，现代系统已经实质性重现了类似 ACT-R 的自适应记忆控制。

• 故障诊断与可逆执行：PALADIN 对工具故障建立了类型化映射与恢复；Shepherd 把智能体的执行状态升级为一等公民，实现了完全可回溯、可分叉、可重放的沙箱；Reflexion 和 AgentHER 则把偶发失败转化为改变后续策略的经验表征。

• 工作流与技能编译：Voyager、SGDR 与 Agent Workflow Memory 实现了从交互轨迹中自动归纳可复用技能；Agentic Compilation、SkillSmith 和 SkCC 推动了把动态提示词编译为低成本静态代码路径与带安全沙箱的中间表示；SkVM 更进一步，能监控跨调用的执行成败，遇到连续退化自动触发重新编译或模型回退，实现了双层知识的动态调度。

在这个梳理过程中，论文还通过最为严格的基线筛查，关闭了一个原本被设想为研究空白的候选——由多个机制拼接的技能治理链条。筛查确认，GraSP 系统已经在一个完整流水线中无缝实现了多技能检索校准、类型化前置/后置条件验证 DAG 编译、严格保全已验证进度的局部有界修复，以及在修复彻底失败时向全局重规划或 ReAct 降级的完整容错闭环。这一组合在标准测试中已经达到了极高的迁移深度，意味着研究者无需再去证明“能否把这些技能工具链拼接在一起”，这一机制组合的工程可行性已经得到闭环验证。

破局的方向：横亘在下一代 Agent 面临的“五大遗留控制束”

当单点机制在局部被逐个攻破后，大模型智能体与真正成熟的自治系统之间，究竟还隔着什么？

论文强调，目前绝大多数尝试都是孤立的：做记忆的忽略了执行延迟与算力预算，做反思的缺乏类型化的局部沙箱隔离，做团队编排的缺少真正的注意力竞争淘汰机制。将原子机制强行堆砌，只会造成系统吞吐骤降和错误级联。根据最小缺失不变量分析，论文提炼出了当前整个领域尚未攻克的 5 个核心遗留控制束（Residual Bundles），这也是未来智能体运行时系统最具突破价值的研究议程。

[现代语言智能体运行时的 5 大遗留控制束]

├── Bundle 1: 激活度 + 检索延迟 + 动作效用

│   └── 破局点：将记忆准入与检索耗时纳入下游动作的决策效用方程，终结盲目长上下文检索

├── Bundle 2: 类型化僵局 + 隔离子状态 + 解决方案编译

│   └── 破局点：遭遇死锁时派生沙箱求解，并将排错路径编译为可固化的新规则，终结同层盲目重试

├── Bundle 3: 有界内容竞争 + 全局广播 + 准入学习

│   └── 破局点：在多 Agent/多工具场景引入稀缺竞争机制，只有胜出者才能占用全局上下文

├── Bundle 4: 持久意图 + 重新审视机制 + 实时方法控制权

│   └── 破局点：建立强约束的意图承诺，监控器拥有根据执行偏离度直接剥夺或切换规划器的权威

└── Bundle 5: 不确定性贯穿 + 资源动态调度 + 主动中断与终止

    └── 破局点：将置信度作为一等公民贯穿推理全程，自适应决定追加 Token 思考还是即刻止损

第一个遗留束是激活度、检索延迟与动作效用的联合控制（Activation with Latency and Action Utility）。现有的 Agent 记忆库往往预设检索是没有时间代价的，检索召回率越高越好。然而在真实工业环境中，检索上下文会消耗宝贵的推理预算并带来延迟。未来的 Agent 运行时必须将记忆项的激活强度、检索所需的 Token 延迟与下游动作的期望价值直接关联，形成按需召回的统一数学约束。

第二个遗留束是类型化僵局、隔离子状态与解决方案编译（Typed Impasse with Isolated Substates and Resolution Compilation）。当前大模型智能体面对错误时，最普遍的做法是在当前会话历史中追加一段报错文本，然后祈祷模型能够“看懂并反思”。这种同层排错极易污染主上下文，引发更严重的幻觉。从 Soar 迁移而来的正确姿态，应当是在遭遇类型化错误时，自动剥离出一个临时的局部子环境（Substate），切断无关上下文；在子环境中专门合成排错探针并求得解法后，将这段成功的解题逻辑提炼编译为规则，最后只把纯净的状态补丁提交回主任务。

第三个遗留束是有界内容竞争、全局广播与准入学习（Bounded Content Competition with Broadcast and Admission Learning）。随着多 Agent 协同与海量工具调用的普及，所有组件向公共消息总线倾倒信息，必然导致上下文窗口的通货膨胀与注意力稀释。借鉴 LIDA 架构，未来的协同运行时需要设立极其严苛的内容竞争准入机制：各个子模块只能通过简短的提案竞争受限的全局工作空间，唯有与当前顶层目标最相关的模块才能赢得广播特权，且准入机制必须根据后续任务成败进行强化学习。

第四个遗留束是持久意图、重新审视规则与实时方法控制权（Persistent Intention with Reconsideration and Live Method Authority）。大模型在执行超长链条任务时，极易因外部环境细微扰动而发生“目标遗忘”或“方案反复横跳”。BDI 架构的意图承诺机制为对抗这一缺陷提供了数学基础——智能体不能在每一步都重新生成整个方案，而是必须依据预设的释放策略（如单意图单目标、检测到不可能完成事件、环境结构性剧变）来触发重新审视。同时，结合 MIDCA 的思想，执行环境中的元控制器必须享有强权威，能在检测到策略失效时，瞬间剥夺大模型的生成权，强制切换底层工具栈或推理流程。

第五个遗留束是跨阶段不确定性传播、动态资源分配与主动中断机制（Uncertainty with Resource Allocation, Interruption, and Stopping）。目前的智能体在工具调用和推理生成中，置信度通常只作为局部的阈值过滤，并未作为一等公民在整条链路上持续流转。借鉴 Sigma 与 EPIC，一个高鲁棒的系统应当允许不确定性沿因子图向后传播：当系统对当前状态评估的不确定性攀升时，动态分配更多的采样与验证预算；当不确定性超过不可逆转的红线时，系统应具备主动自我打断（Interruption）并优雅终止（Stopping）的能力，而不是毫无节制地消耗 Token 直到超时崩溃。

告别表层拼接，迈向自治控制系统的工程深水区

长期以来，大模型领域的工程开发者与认知科学的研究者之间存在一道隐形的堑壕。工程界倾向于认为认知架构是符号主义时代遗留的笨重古董，难以应对开放域的真实复杂度；认知科学界则往往诟病大模型智能体缺乏形式化保障，不过是把一堆不稳定黑盒用 Prompt 绑扎起来的工程拼贴画。

这篇综述的价值，正在于它用极具说服力的“机制颗粒度分析”，填平了这道堑壕。它向开发者揭示：大模型智能体过去两年的飞跃，本质上是在用海量计算和神经网络参数，快速“重演”认知架构在数十年前便已推导出的控制必然。无论是记忆分层、动态工具选择，还是带回滚的执行流，都是智能系统在面对资源受限与不确定性世界时的必然收敛。

当模型本身的推理能力逐渐触碰基座天花板，下一代语言智能体的胜负手将彻底转移到运行时控制架构上。告别浮躁的功能标签炒作，将激活、僵局、竞争、承诺与不确定性重新铸造成可组合、可验证的确定性控制律，才是大模型真正跨入严肃生产环境的必经之路。