Advances and Challenges in Foundation Agents: From Brain-Inspired Intelligence to Evolutionary, C...

论文主要内容总结本文系统探讨了基于大型语言模型（LLM）的基础智能体的最新进展与挑战，提出了一个受大脑启发的模块化框架，整合认知科学、神经科学和计算研究的原理。全文分为四个核心部分：智能体核心组件（Part I）：认知模块：分析学习、推理（结构化/非结构化）和规划能力，强调LLM在逻辑推理和任务分解中的作用。记忆系统：借鉴人类记忆分类（感官、短期、长期记忆），讨论记忆的获取、编码、存储和检索机制。世界模型：对比隐式、显式、模拟器驱动等范式，强调预测环境动态的重要性。奖励与情感建模：结合人类奖励机制设计智能体奖励函数，探索情感对决策和交互的影响。感知与行动系统：分析多模态感知（视觉、语言、听觉等）和行动生成，强调工具使用和物理交互的挑战。自我进化机制（Part II）：优化空间：包括提示优化、工作流优化和工具优化，利用LLM作为优化器实现自主能力提升。在线与离线改进：对比实时反馈优化（在线）和批量数据训练（离线），探讨混合策略的优势。科学发现：通过知识熵（K