知识卡片：面向双过程语言智能体的认知扩展——交互环境中的记忆与自我反思

一句话结论

在 ScienceWorld 上，将 Adaptive Memory Module (AMM) 与 Self-Reflection Module (SRM) 作为 SwiftSage 的模块化认知扩展后，全系统取得最佳平均最终得分（64.62）、成功率（43.17%）和成功步骤效率（19.33 steps）；其中 SRM 是单独贡献最强的模块，提示执行时控制是该设定下的主要瓶颈，而情节记忆在运行循环稳定后更有价值。

事件概述或研究问题

语言智能体在交互环境中仍较脆弱，成功往往需要长时程状态跟踪、有效动作执行，以及从失败步骤中恢复。该论文研究：如何在同一执行基底上，通过记忆与自我反思两个模块化认知扩展，提升双过程语言智能体在交互任务中的表现？研究对象为 SwiftSage，一种结合快速动作提议者与较慢规划器的 dual-process agent；评估基准为 ScienceWorld。

方法/产品要点

• 基础架构：SwiftSage，即 fast action proposer 与 slower planner 组合的双过程智能体。
• Adaptive Memory Module (AMM)：用于 salience-gated episodic storage 与 trigger-driven retrieval。
• Self-Reflection Module (SRM)：用于 bounded execution-time validation 与 corrective intervention。
• 实现方式：两个模块均以 feature-flagged extensions 形式实现于同一执行基底上，支持在 ScienceWorld 上进行受控消融。
• 实验配置：baseline、baseline+AMM、baseline+SRM、full system 共四组。

主要结果或产业意义

• full system 在四组配置中取得最佳平均最终得分（64.62）、成功率（43.17%）和成功步骤效率（19.33 steps）。
• SRM 是单独贡献最强的模块；摘要未列出各配置的完整分数、方差与统计检验，相关数值待核实。
• 结果解释：在该设定下，execution-time control 是主导瓶颈；episodic memory 在 runtime loop 被稳定后最有用。
• 产业意义：对交互式语言智能体而言，优先稳定执行时验证、纠错与运行循环，可能比优先堆叠记忆检索更能提升长时程任务表现；记忆模块更适合作为稳定运行时之上的增益层。

为什么重要

交互式语言智能体常需多步动作、状态跟踪与失败恢复。该工作把“记忆”和“自我反思”拆成可开关模块，并在同一基底上做消融，提供了一种区分“执行控制瓶颈”与“记忆增益”的实验设计。与已有卡片中的 PsychoAgent（情感敏感认知架构与冲突感知记忆）和 ScienceBuddy（递归中的递归自我改进）相比，本条增量在于：聚焦双过程 SwiftSage 在 ScienceWorld 中的 execution-time control 与 salience-gated episodic memory，并报告 SRM 单独贡献最强、全系统最佳，而非情感记忆或递归自我改进。

局限与不确定性

• 摘要只报告 ScienceWorld 上的结果，跨基准与真实环境的泛化性待核实。
• 各配置的方差、随机种子、统计显著性、置信区间与效应量待核实。
• 模型规模、提示模板、AMM/SRM 的具体实现细节、触发阈值、记忆容量、运行成本与延迟待核实。
• 失败恢复、错误类型与消融机制分析待核实。
• 代码、数据与可复现性材料待核实。

可用于图书/PPT/简报的角度

• 双过程智能体：快动作提议 + 慢规划，再叠加认知扩展。
• “先稳定运行时，再扩展记忆”：执行时控制优先于情节记忆的假设。
• 自我反思作为有界验证与纠正干预，而不是无约束自省。
• 记忆的显著性门控与触发式检索：如何只让关键情节进入上下文。
• feature-flagged 模块化消融：在同一底座上比较 AMM、SRM 与全系统。
• 交互式任务指标：最终得分、成功率与成功步骤效率之间的权衡。

原始材料

• 英文标题：Cognitive Extensions for Dual-Process Language Agents: Memory and Self-Reflection in Interactive Environments
• 英文关键词：dual-process language agents; Adaptive Memory Module (AMM); Self-Reflection Module (SRM); SwiftSage; ScienceWorld; feature-flagged extensions; episodic memory; execution-time control
• 作者：João Meneses dos Santos, Arlindo L. Oliveira
• arXiv ID：2609.19128v1
• 发布时间：2026-09-16T17:50:42Z；更新：2026-09-16T17:50:42Z
• 分类：cs.AI（主）；cs.AI, cs.LG, cs.MA
• Track：academic；Topics：foundation-model
• Abstract URL：https://arxiv.org/abs/2609.19128v1
• PDF URL：https://arxiv.org/pdf/2609.19128v1