如何构建“agent;类人的认知模型？

# 深度agent解析 < 第三篇 > *Creating a new species of intelligence is the greatest mission of our generation* （ 上期回顾 ） --- 这篇文章是“深度agent解析”系列的第三篇。先分享几个核心洞察：我们正在探讨如何通过“感知流”结构，再现人类认知思维的一般模式。这事儿说起来简单，实际操作起来可是一个大工程。 传统RAG的做法是：把外部知识库向量化，然后在对话中通过向量检索制造“联想”，把相关知识文本直接嵌入GPT的API调用里。这样一来，知识确实能影响生成的表达。但你得承认，这么做做知识问答还行，真要GPT深度使用知识——难。非常难。 有了感知流之后，局面就不一样了。我们可以先对原始知识做抽取，把抽取后的知识分门别类存储。然后呢，感知流里的不同角色在运作时，会去联想这些被抽取的知识。具体来说，认知相关的三个角色——求解者、推知者——它们的运作会受到因果知识的影响，而好奇者则会受关注维度的影响。 对比一下传统RAG和感知流模式的区别： 传统模式：知识直接嵌入对话生成API。 感知流模式：知识先影响认知相关的角色，进而影响整个认知过程，改变长期存储中的认知结论；然后把这些结论信息向量化，在对话中创造联想，再嵌入对话生成API。 说白了，这就是人类使用知识的方式：通过知识影响认知思维，再通过认知思维影响对话。借助感知流，我们就能超越传统RAG对知识的浅层使用，实现类人的深度应用。 --- ## #01 ·· 认知相关三角色 ·· 有3类角色，和人类认知能力的形成高度相关： **好奇者、解答者、推知者** **第一类：好奇者。** 它的任务是回应感知流中的“陈述信息”，然后进行好奇提问。你回想一下——当某个陈述信息出现在你的感知流中时，脑子里是不是经常自动抛出一个相关问题？比如，听到“Mike眼睛都是红血丝”，你可能会想：“为什么Mike眼睛都是红血丝？”紧接着又听到“Mike昨晚熬夜”，好奇心又来了：“Mike为什么昨晚熬夜？”“Mike经常熬夜吗？”整个过程像随机游走，每次提问获得回答后，又会以回答为起点展开新的好奇提问。 **第二类：解答者。** 它回应感知流中的“问题”，进行求解。人类在求解一个问题时，会自然地从长期记忆中联想所需的背景信息。这个过程往往一瞬间就完成了，不容易被我们反思到，但它确实存在。当关键背景信息缺失时，思维会向感知流抛出一个新的问题；新问题又可能因为缺失关键背景信息，再抛出另一个问题……就这么递归下去。 **第三类：推知者。** 它回应感知流中的“陈述信息”，推知这意味着什么。推知者用因果类型的知识，根据原始信息的信念和因果知识的充分性来推知，推知出的信息也有自己的信念。这些被推知的信息我们称为“印象”。有些印象信念很低，需要重复的印象冲击才能积累信念。信念突破阈值的印象会形成“猜想”。当一个猜想有很高的关注度，AI想知道这个猜想是否真实，就会形成一个问题——这又会触发第二类角色“解答者”。 --- ## #02 ·· 统计正确性 & 印象冲击 ·· **统计正确性**这个概念说的是：即便样本中绝大部分是无效或错误的，但只要无效或错误的分布偏向随机，而正确的样本分布偏向集中，那么正确的样本就能在频次强度上凸显出来。这时，样本在统计上就是反应真实情况的。因为统计正确比样本正确宽松得多，能利用统计正确原理获得有效信息的系统，容错能力自然更强。 **印象冲击正是建立在“统计正确性”上发挥作用的。** 推知者推知的每个印象都有可能出错，但只要错误印象的分布偏随机，正确的印象就能凸显出来，变成猜想。 植物性认知的印象冲击模型中，生成的印象都带有信念。根据因果类知识的充分性不同，原始信息的信念不同，推知信息的信念也不同（在MTSagent里，这些复杂的运算我们完全交给GPT完成）。当信念突破阈值时，印象就变成猜想。 这里有个关键问题：为什么信念运算是必要的？因为有很多单次的推知非常微弱，需要积累才能变成一个相对可靠的猜想（这时才会写入感知流里被意识到）。比如，每句对话都可能形成对对方性格的推知，但单次作用很微弱；而有些推知一次就能得到合理的猜想——一个人喉咙痛，一般就能合理地猜想他是不是感冒了。为了计算需要积累多少印象才能形成猜想，信念运算就成了必需品。 推知者会反复推知信息。同一段时间内被重复推知，印象会不断累积，突破阈值后变成猜想。但“一段时间”的标准怎么定？比如推知人的性格，时效性就很长——性格在很长一段时间里不太会变。而一个人感冒的印象，时效性就很短——一个月前留下的“某人感冒”印象，留到现在做印象冲击没什么意义。 处理印象时效性的机制大致是这样的：生成印象时，让GPTapi同时输出这个印象的时效，然后按这个时间让印象的信念进行衰减。时效越长，信念衰减越慢；时效越短，衰减越快。感冒的印象可能几天就衰减没了；性格的印象几年都衰减不完。只要一个印象的信念在一段时间内累加超过阈值，变成一个显著猜想，就可以作为带时间的具体事件，存入长期记忆。 --- ## #03 ·· 私有知识干预认知过程 ·· 认知的过程和知识高度关联。知识里描述的事件、对象的关注度，会参与到关注度标注中；事件类的关注度会参与到“好奇者”的好奇心生成；因果类型的知识会参与“推知者”的印象生成，形成猜想；也会参与“解答者”的背景信息需求生成，决定问题的分解方式。 在深度进入情境的咨询中——比如心理咨询、企业咨询——可以想象，如果知识不同，那么关注点会不同，产生的好奇会不同，形成的猜想、得到的结论、提出的建议都会不同。如果我们能让私有知识发挥作用，就能完成“思想复刻”，让不同专家在咨询中体现出各自流派独有的风格。 **Agent可以拥有私有化的、以向量形态存在的知识存储。这类知识和GPT内蕴的知识不同，能被更可控、更深度地使用。** 在工程实操上，通过在认知相关的GPTapi（可视为思维执行）中嵌入知识联想，再要求GPT参考联想到的知识完成执行，私有化知识就能在这些执行中发挥作用。这些思维执行包括关注度标注、好奇者角色api（生成好奇）、推知者角色api（生成印象）、解答者角色api（生成答案或分解问题）。 --- ## #04 ·· 认知深度和认知耗散模型 ·· 在我们构建的类人认知模型中，原始问题会不断分解。问题有重要的，也有不那么重要的。那么，agent如何控制一个原始求解对运算资源的消耗呢？ 原始问题写入感知流后，会被求解者捕获。求解者为了求解问题，会形成对背景信息的搜索语句。获得背景需求问题后，系统会优在q-a数据库（视角记忆）中搜索——因为回溯求解时，之前搜不到的背景提示问题，可能因为前面的分解求解行为，现在能搜到了。其次选择从客观记忆中搜索，再其次抛出一个问题到感知流中进行求解。 求解到多深，取决于原始问题的求解动机和背景信息重要度（0-1）的乘积。能触发到哪一步求解，取决于每一步分解剩余的求解动机（原始问题的求解动机和关注度有关）。这是MTS工厂模型中“求解耗散模型”的重现。当然，耗散模型还内蕴了一个选择机制——“二级存储”：对存储的信息根据关注度划分了优先求解的区域和普通区域。求解能量较低时，只在激活的高关注记忆区中进行求解。 --- ## #05 ·· 发散提问和收敛提问的配合 ·· 类似随机游走的发散提问（来自“好奇者”）和总是贡献于原始问题的收敛提问（来自“解答者”），是两个对立的过程，但在认知过程中它们又是相互配合的。 对于一个原始问题，最高效的求解方式一定是收敛提问。但如果收敛提问受挫，好奇者角色就会被激活，在相关范围内进行广泛的好奇提问。解答者获取这些提问进行尝试解答（过程中可能继续分解问题）。无论如何，都会在相关范围内形成非针对性的、但广泛的认知信息。 为什么好奇者角色的存在如此重要？因为“解答者”能否成功求解，和相关背景信息的质量有关；需要知晓什么背景信息，也和相关背景信息的质量有关（背景信息搜索语句生成api的工作记忆，一部分也来自背景信息）。所以，这种在原始问题相关范围内广泛好奇提问的意义就很明显了：很多原始问题，“求解者”一开始通过收敛提问未必能获得高质量答案，但经过“好奇者”广泛提问后，求解质量就能获得显著提升。 这背后是造物主很精妙的设计——这正是我们要重点讨论、并希望在工程上实现的“不严格认知能力”。 --- ## #06 ·· 深度进入情境的咨询 ·· 心理咨询、企业咨询、司法咨询这类场景，我们称为“深度进入用户情境的连续咨询”。“深度进入用户情境”是相对于向搜索引擎的咨询而言的——搜索引擎的咨询停留在知识层面，而向人类专家咨询则是进入“用户处境”；“连续”则是指心理、身体状况、案件进展会随时间变化，用户不希望每次情况有进展时，都要把之前的情况和AI重复讲一遍，希望AI像人类专家一样有长期记忆，记住之前情形的演变过程。 “深度进入用户情境”由认知相关三角色支持，“连续”则由长期记忆支持。 实际操作中的深度进入情境咨询，其反应模式是怎样的？ 首先会有诱导性提问。比如在心理咨询中会说“谈谈你的小时候”，在企业咨询中会说“讲讲你们公司的盈利模式”。诱导性提问属于好奇提问的范畴，早期偏宽泛，之后有了具体情境信息后会变得具体。它贯穿整个咨询过程，由“好奇者”角色驱动。 对话者不一定完全针对问题回答，也可能自主陈述。表达中的陈述信息会被“推知者”摄取，输出陈述信息意味的信息，形成印象。比如这个人可能属于什么人格，可能拥有某种防御倾向。重复被冲击的印象，在信念超过阈值时变为猜想，写入感知流。比如“对话者似乎有讨好型人格”。关注度高的重要猜想，会形成问题——“猜想是否是真的”，比如“对话者是否是讨好型人格”，从而被解答者角色摄取。解答者又可能在背景信息缺失时创造新的问题——比如在这个例子中，会根据“讨好者人格”的儿时经历（该人格的诱因）或讨好人者人格的其他表现，寻找相关背景信息。如果背景信息缺失，新问题就会在感知流中产生；部分可以向对话者询问的问题，会形成对话中的提问；无法询问的问题写入感知流，划归到初始状态被求解，有可能被进一步分解。 这个过程会不断在长期记忆中累积用户情境相关的“认知信息团”。比如在心理咨询中，会形成来访者的人格、防御倾向、什么样的儿时经历导致这样的人格、当前的处境、当前的风险、如何改善当前的情况等等。当这个信息团变得越来越完备，AI的对话输出就更多转向认知结论的陈述：表象的归因、背后机理的描述、以及建议。而这些表达目标，会从长期记忆中联想前面认知过程形成的“认知相关信息团”中的信息。 --- ## #07 ·· 不严格认知特性 ·· 人类的自由探索，没有流程化的思维过程。过程中会有无效的杂质，会有错误的结论，但这不影响人类在持续研究一个问题时，最终还是能获得有效结论。这个能力，我们称为“不严格认知能力”。它是造物主赋予人的一个非常伟大的能力——让人能慢慢腐蚀掉一个认知目标。 原始问题的求解过程里，假设我们让agent思考“如何治愈肝癌”。agent会因为背景信息缺失不断分解问题，形成一个认知相关的信息团。这个信息团中有很多分解出的、长在“分解树”上的问题（q），有过程中尝试求解获得的答案（a），也有由推知者产生的推知（a-a）。 因为这个信息团中的每个q再次求解背景信息，大概率会落在信息团内部，而求解的输出又在改变这个信息团——这就构成了一个反馈环。**如果求解质量和记忆整理的质量，能在概率上让这个认知相关信息团变优，那么投入更多算力——不断重算信息团中的q——就是有意义的，能让求解不断逼近正确答案。** 不严格认知是个意义非凡的特性。如果认知过程统计优化无法达成，那么重复求解意义不大，只会让存储中的“认知相关信息团”越来越乱。但如果能够达成，我们可以通过让AI对一个认知目标怀有更高、更持续的动机，让AI投入更多的运算资源，而这种投入，是有助于更好地求解目标、获得答案的。 --- ▼ **-END-**