认知架构：Soar、ACT-R 与黑板系统

认知架构（cognitive architecture）是一个固定的计算框架——跨任务保持不变的记忆、表示与处理循环——用来刻画人类心智的结构，并在获得关于某项任务的知识之后产生一般的智能行为。Soar 和 ACT-R 是最著名的符号认知架构。

1. 什么是认知架构

Allen Newell 用一句近乎方程的口号概括了这个想法：行为等于架构加知识。架构是任务之间不变的部分，就像计算机的指令集；知识则是程序。因此，一个认知架构需要规定：

• 记忆：存放当前情境的短期工作记忆，以及长期记忆，通常分为程序性的（关于做什么的规则）和陈述性的（事实与过往经历）。
• 表示：符号、属性—值图或组块（chunk）等关系结构，有时还附带数值量。
• 处理循环：系统如何把知识与情境匹配、选出一个动作并加以执行。
• 学习机制：经验如何增加或调整长期记忆。
• 与感知和动作的接口，其时间参数往往取自人类数据。

推动这个领域的有两种动机，它们朝不同方向拉扯。认知建模希望架构的行为——包括它的错误和反应时间——与人一致；ACT-R 和 EPIC 偏向这一边。通用 AI 希望架构能做人能做的任何事；Soar 偏向这一边。该领域的综述把架构分为符号型、涌现型（神经网络）和混合型 [20]。本页讨论符号传统，以及从中生长出来的混合架构。它们与专家系统共享的规则匹配机制，见专家系统。

2. 源头：作为心智理论的产生式系统

2.1 产生式系统认知

它是什么。一种主张：人类思维可以被模拟为一个产生式系统——一个存放当前注意内容的工作记忆，一个条件—动作规则的长期存储，以及一个每次触发一条匹配规则的循环。Allen Newell 与 Herbert Simon 在《人类问题求解》（Human Problem Solving，1972 年）中发展了这一主张：他们用产生式系统模型去拟合人们在解谜题、密码算术和国际象棋问题时的出声思维记录 [2]。它延续了他们更早的通用问题求解器（General Problem Solver），后者使用手段—目的分析（见 AI 搜索算法）。

为什么是产生式。它们契合口语记录所显示的特点：步骤很小，每一步都由当前心中的内容触发；工作记忆容量有限；知识是模块化的，加一条新规则不必重写其余部分。局限。通过选择规则，一个产生式系统模型几乎可以拟合任何单一任务，因此单个模型对一种理论而言是很弱的证据。这个问题推动了下一步。

2.2 统一认知理论

在 1973 年一篇题为“You can’t play 20 questions with nature and win”（你不可能靠和大自然玩二十问赢）的论文中，Newell 指出，心理学一次只检验一个二元区分的习惯，永远拼不出一个关于心智的完整解释 [3]。他在 1987 年的威廉·詹姆斯讲座和《统一认知理论》（Unified Theories of Cognition，1990 年）一书中给出的回答是：构建一个架构，让它同时对许多任务负责，从反应时间到问题求解再到学习 [1]。他把 Soar 作为候选。要求一个固定架构解释一切，正是认知架构与一堆任务模型的区别所在。

3. 黑板系统

3.1 黑板架构

它是什么。黑板系统用许多相互独立、从不直接调用彼此的专家模块——称为知识源——来解决问题。它们只通过读写一个共享的、结构化的工作区来通信，这个工作区就是黑板，它按抽象层级组织存放当前的部分解。一个控制组件观察黑板，决定下一个运行哪个知识源，从而引导搜索 [5]。这个比喻是一群专家围着一块黑板，每人看到自己能贡献的东西时就添上一笔。

它如何运作。每个知识源都有一个条件（黑板上的某种模式）和一个动作（对黑板的修改）。当一次修改触发了多个知识源时，它们的激活项在议程上排队，由调度器打分，例如依据证据的可靠程度以及它与当前焦点的距离。推理是机会主义的：它可以从数据自下而上，也可以从预期自上而下，哪里的假设此刻最有依据就去哪里。这使黑板适合数据嘈杂、需要多种知识、且没有固定步骤顺序可循的问题。

局限。控制问题——决定运行哪个专家——本身就很难，大多数黑板系统靠手工调校的调度启发式来解决。性能和正确性都依赖这些启发式，而它们很难验证。

3.2 Hearsay-II

Hearsay-II 于 1971 年至 1976 年间在卡内基梅隆大学开发，隶属 DARPA 为期五年的语音理解研究计划，是第一个黑板系统 [4]。它的黑板在一个层级结构中存放相互竞争的假设，从声学片段到音节、词再到短语，每个假设都标有它在语句中的时间区间和可信度评分。不同的知识源分别从片段提出音节、从音节提出词、从词提出词序列，根据语法预测可能相邻的词，并对它们进行验证或否决。系统可以从一个被可靠识别的词构成的“岛”出发，向两个方向扩展。Lee Erman、Frederick Hayes-Roth、Victor Lesser 与 Raj Reddy 1980 年的论述既把它当作一个语音系统，也把它当作协调独立过程的通用框架。它留下的贡献主要是架构，而不是识别准确率；统计方法很快主导了语音识别。

这种架构迅速传播开来。斯坦福的 H. Penny Nii 领导的 HASP 把它用于解释海洋声呐信号，而 Nii 1986 年在《AI Magazine》上分两部分发表的综述成为标准参考 [5]。

3.3 BB1 与黑板控制

Barbara Hayes-Roth 的 BB1（1985 年）为控制问题提供了自己的黑板 [6]。控制知识源把控制计划（策略、当前焦点、调度政策）写到一块单独的黑板上，调度器按当前张贴的计划行事。于是，解决领域问题的同一种机会主义推理，也决定了如何去解决它，系统还能解释自己的策略。BB1 被应用于施工规划、蛋白质结构分析和病人监护。黑板的思想也在 AI 之外存活下来，成为标准的软件架构模式之一。

4. Soar

4.1 Soar

它是什么。Soar 起源于 John Laird 1983 年在卡内基梅隆大学、与 Allen Newell 和 Paul Rosenbloom 一起完成的博士论文，早期的标准描述是他们 1987 年发表在《Artificial Intelligence》上的论文 [7]。它的核心假设是问题空间：一切目标导向的行为都可以表述为通过施加算子在状态空间中搜索。今天 Soar 由 Laird 领导在密歇根大学开发，用 C 和 C++ 编写，以 BSD 许可证免费提供。

它如何运作。工作记忆是一张以当前状态为根的符号属性—值元素图。长期程序性知识是产生式规则，用类似 Rete 的匹配器并行匹配。决策循环不断重复：

1. 输入与精化：感知更新工作记忆，所有匹配的规则并行触发，以精化状态并提议算子，同时为它们附上偏好（可接受、拒绝、更好、更差、最好、最差、无差别）。
2. 决策：一个固定的程序读取偏好，恰好选出一个算子。
3. 应用：测试所选算子的规则触发并改变状态；输出命令发往环境。

与专家系统的引擎不同，Soar 没有挑选规则的冲突消解策略。规则并行触发，只负责提议；每个循环中唯一的审慎选择是选算子，而且依据的是显式的偏好。2000 年代以来，Soar 加入了语义记忆、情景记忆、对算子偏好的强化学习以及空间—视觉系统，Laird 2012 年的著作对此有详细描述 [11]。

4.2 僵局与普遍子目标化

当偏好不能确定唯一一个算子时，Soar 就陷入僵局（impasse）：平局（多个可接受的算子，没有任何东西能在其间做出选择）、冲突（相互矛盾的偏好）、无变化（没有提议任何算子，或选中的算子无法应用），或约束失败。架构每次的反应都一样：创建一个子状态，其目标是解决这个僵局，问题求解在那里继续，Soar 的全部知识都可用，例如通过向前搜索来评估打成平局的算子。由于任何层级上的任何僵局都能产生子状态，Laird、Newell 与 Rosenbloom 称之为普遍子目标化（universal subgoaling）[7]。规划、反思和层级任务分解都产生于这一个机制，而不是各自独立的模块。

4.3 组块化

它是什么。组块化（chunking）是 Soar 最初的学习机制：每当子状态中的处理为上一层状态产生一个结果，Soar 就把这段处理编译成一条新的产生式规则，即一个组块，于是下次无需陷入僵局就能直接得到这个结果 [8]。这个想法源自 Newell 与 Rosenbloom 1981 年的提议：组块化可以解释练习的幂律，即完成一项任务所需的时间随练习次数按幂函数下降 [9]。

它如何运作。设 $r$ 是子状态加到上层状态中的一个结果。Soar 沿着子状态中触发过的规则回溯，找出结果所依赖的上层状态工作记忆元素的集合 $B$，然后构建规则

其中上划线表示变量化：本次情景特有的标识符被替换为变量，因此组块适用于任何具有相同相关特征的情境。子状态检查过但没有用到的元素被排除在外，所以组块对它们是泛化的。

完整例子。在一个积木世界任务中，算子把 A 放到 B 上和把 A 放到桌上打成平局。在子状态中，Soar 分别模拟两者，发现只有前者能达到目标，于是返回偏好“把 A 放到 B 上更好”。回溯发现这个结果依赖三个事实：目标中 A 在 B 上、B 上面是空的、A 上面是空的。得到的组块是：如果目标中 x 在 y 上，且 x 和 y 上面都是空的，那么优先把 x 放到 y 上。下次再出现类似的平局时，这个组块在精化阶段就会触发，偏好在决策之前已经存在，不再发生僵局。

与其他学习方法的关系。Rosenbloom 与 Laird 在 1986 年证明，组块化实现了基于解释的泛化：回溯就是解释，变量化就是泛化 [10]。（基于解释的学习见符号机器学习。）近期版本的 Soar 把它的机制称为基于解释的组块化 [12]。局限。当子状态依赖了回溯没有捕捉到的知识时，组块可能过度泛化；早期的 Soar 系统还受困于效用问题：组块太多，匹配它们的代价超过了它们省下的搜索。组块化也只能编译系统本来就能推出的东西，它不会增加关于世界的新知识。

5. ACT-R

5.1 ACT-R

它是什么。ACT-R（Adaptive Control of Thought—Rational，思维的适应性控制—理性版）是 John R. Anderson 在卡内基梅隆大学的认知架构，属于一条源远流长的谱系：从记忆模型 HAM（与 Gordon Bower 合作，1973 年），到 ACT（1976 年）和 ACT*（《认知的架构》，The Architecture of Cognition，1983 年）[13]，再到在《心智的规则》（Rules of the Mind，1993 年）中提出的 ACT-R [14]，之后与 Christian Lebiere 等人共同发展；当前的主版本 ACT-R 7 始于 2015 年。它的基本前提是知识有两种不可约化的类型：陈述性知识（事实，以组块存储，即小型的带类型记录，例如 addition-fact: 3 + 4 = 7）和程序性知识（产生式规则）。

它如何运作。专门的模块（视觉、手动、陈述性记忆、目标、表象）各自通过一个缓冲区通信，每个缓冲区一次只容纳一个组块。一个中央产生式系统把规则与各缓冲区的内容匹配，每个循环只触发一条规则，在标准设置下一个循环约 50 毫秒：这就是认知的串行瓶颈。规则向模块发出请求，例如“检索一个与 3 + 4 = ? 匹配的组块”，而各模块并行工作。在 2004 年的“心智的整合理论”中，Anderson 等人把模块和缓冲区对应到脑区，并用模型预测 fMRI 活动 [15]。ACT-R 与纯符号系统的区别在于它的亚符号层：附着在符号上的数值量，决定检索到哪个组块、检索多快，以及选择哪条规则。

5.2 激活与基础水平学习

每个组块 $i$ 都有一个激活值 $A_i$，决定它能否被检索以及检索的速度 [24]：

其中 $B_i$ 是基础水平激活：$t_k$ 是距该组块第 $k$ 次使用的时间，$d$ 是衰减参数，通常取 0.5。求和项 $\sum _j{W}_j{S}_{ji}$ 是来自当前情境元素 $j$ 的扩散激活，按注意权重 $W_j$ 和关联强度 $S_{ji}$ 加权；$\epsilon$ 是噪声；$T_i$ 是检索潜伏期，尺度为 $F$；$\tau$ 是检索阈值。

完整例子。一个在 10 秒前和 100 秒前各用过一次的事实，其 $B_i=\ln ({10}^{-0.5}+{100}^{-0.5})=\ln (0.316+0.100)\approx -0.88$。每多用一次就多一项，所以练习会提高激活；每一项都随经过的时间按幂次缩小，所以记忆按幂律而不是指数衰退，这与经典的遗忘数据相符。由于潜伏期随激活按指数下降，练习过的事实回忆得更快。正是这些方程让 ACT-R 模型能够对准确率和反应时间做出定量预测。程序性选择也是亚符号的：每条规则都有一个效用 $U_i$，通过 $U_i\leftarrow U_i+\alpha (R_i-U_i)$ 从奖励中学习，匹配的规则中带噪效用最高的那条触发。

5.3 认知导师

ACT-R 最著名的应用是辅导。Anderson 的团队为学生如何解决 Lisp 编程、几何和代数问题编写了产生式规则模型，然后构建导师系统，把每个学生的每一步与模型对照（模型追踪），当某一步对应一个已知的错误观念、或不符合任何正确规则时给出反馈。在他们 1995 年对十年研发的回顾中，最好的评估显示，学生用大约三分之一的时间就能达到与传统教学相同的熟练程度 [16]。代数导师后来商业化，在美国各地的学校中使用。它是符号模型取得回报的一个格外清晰的例子：规则就是课程中的技能，被明确地写了下来。

6. EPIC、CLARION 与认知通用模型

6.1 EPIC

EPIC（Executive Process—Interactive Control）由密歇根大学的 David Kieras 与 David Meyer 提出，它把一个产生式规则认知处理器——与 ACT-R 不同，它可以并行触发多条规则——与详细的感知和运动处理器结合起来，后者的时间参数来自人类绩效数据 [17]。它的目的是预测人们完成多任务和人机交互任务所需的时间，延续了 Card、Moran 与 Newell 的 GOMS 所代表的工程模型传统 [23]。EPIC 的感知—运动模块影响了 ACT-R 的相应模块。

6.2 CLARION

CLARION（Connectionist Learning with Adaptive Rule Induction On-line）来自 Ron Sun 的团队，是一种混合架构。它的每个子系统都有两层：显式符号规则与组块构成的上层，以及神经网络中隐式知识构成的下层 [18]。它的标志是自下而上的学习：技能先在下层被隐式习得，然后从中提取出显式规则，以此模拟人们在能说出一项技能之前就已经会做的现象。CLARION 是 Soar 和 ACT-R 的一个有益对照，后两者都从显式规则出发。

6.3 认知通用模型

2017 年，John Laird、Christian Lebiere 与 Paul Rosenbloom 提出了心智的标准模型，现在通常称为认知通用模型（Common Model of Cognition）：它总结了 ACT-R、Soar 以及 Rosenbloom 的 Sigma 在各自发展数十年之后所趋同的共识 [19]。它的主张包括：一个作为各组件之间接口的工作记忆；一个由规则构成的程序性长期记忆，其认知循环约为 50 毫秒，每次选择一个动作；一个陈述性长期记忆；感知与运动模块；以及作为执行过程副产品、逐步进行的学习。它是一份共识声明，而不是一个新系统，也是与神经科学和机器人学进行比较的目标。

7. 比较

8. 时间线

9. 认知架构今天的用途

• 模拟人类行为。ACT-R 及相关架构仍是认知心理学中构建模型、预测准确率、反应时间和学习曲线的标准工具，也在认知神经科学中用于预测脑活动。
• 人机交互与人因工程。基于架构的模型可以在任何人参与测试之前，估计一个界面或驾驶舱任务需要多长时间，以及注意力和工作负荷会在哪里限制人的表现。
• 教育。源自 ACT-R 认知导师的模型追踪辅导系统。
• 仿真与训练。TacAir-Soar 在 1997 年 DARPA 的“合成战区”（Synthetic Theater of War）演习中执行了模拟固定翼飞行任务，那是一场 48 小时的演习，也是当时在联合作战空间中部署合成智能体规模最大的一次 [21]。基于 Soar 的系统至今仍被用于模拟的对手和队友。
• 机器人与交互系统：需要显式目标、对过往情景的记忆以及对自身选择做出解释的场合。
• 语言模型系统。基于大语言模型的智能体的设计者直接借用了这套词汇：工作记忆、情景记忆与语义记忆、程序性技能和决策循环。CoALA 框架（2023 年）把这类系统映射到认知架构的概念上 [22]。这种相似是架构层面的；语言模型取代了基于规则的决策程序，也随之取代了显式规则所带来的保证。

10. 局限

• 尚无通用智能。四十年的工作造出了令人印象深刻的集成系统，但没有一个接近人类的广度。Newell 的统一理论仍是一个研究纲领，而不是一个成果。
• 知识仍然需要人写。没有任务知识，架构就是空的，而这些知识大多是手工编写的规则。知识获取瓶颈在这里同样存在。
• 接地与感知。符号架构假定感知已经产生了符号；把它们连接到原始传感器，则留给了其他组件。
• 可辨识性。一个灵活的架构加上可以自由选择的规则，能够拟合许多数据集，因此拟合得好作为证据比看起来要弱——这正是 Newell 提出统一理论要求时想要解决的问题。
• 学到的知识的规模。组块化及类似机制可能累积出一批规则，其匹配代价超过其收益。

11. 认知架构与失效安全模型

失效安全模型是这样一种 AI 模型：它的失败会把它带向一个受控的安全状态——证据缺失时它会弃权，学习可以缩小它所做的事，却永远不能扩大它被授权做的事。认知架构提供了两个相关的思想。第一个是僵局：Soar 把“我的知识无法决定该做什么”当作一个显式的、可检测的状态，并有确定的应对方式，而不是让系统无论如何随便选一个。失效安全模型需要同样的诚实，只是应对方式不同：Soar 会去寻找更多知识，而失效安全模型在证据耗尽时选择弃权。第二个是固定架构与可变知识的分离，这使我们能够陈述一些无论学到什么都成立的性质。

它们也展示了风险。组块化会自动增加规则，而一个组块一旦建成就具有权威，即使它过度泛化。失效安全的设计在学习与权威之间设置了一道关口：模型可以提议；只有底层（floor）才能接纳事实。Perslis Research 的 Peel 正是按这一原则构建的，据我们所知，它是第一个失效安全模型；确切的表述和最接近的已有工作见什么是失效安全模型？在做决定的环路中没有神经网络，知识是有类型、有来源的卡片，学习是可读的计数。Peel 是一个研究原型，不声称自己是认知架构或心智模型。关于为什么多步链条需要一个符号层，见论文 The Orchestration Gap；关于整个领域，见什么是符号 AI？和符号 AI 的历史。

12. 常见问题

什么是认知架构？

认知架构是一个固定的计算框架，由跨任务保持不变的记忆、表示和处理循环构成，用来刻画心智的结构。获得关于某项任务的知识后，它应当在该任务上产生智能行为。Soar 和 ACT-R 是最著名的符号认知架构。

Soar 和 ACT-R 有什么区别？

Soar 主要面向通用的智能行为：规则并行地提议算子，每个循环依据偏好选出一个算子，僵局会触发子目标和组块化。ACT-R 主要面向模拟人类数据：每个循环只触发一条规则，数值化的激活和效用决定回忆哪些事实、回忆多快以及选择哪些规则。

Soar 中的组块化是什么？

组块化是 Soar 的学习机制。当 Soar 在子状态中解决了一个僵局并返回结果时，它会追溯这个结果依赖了哪些事实，并把它们编译成一条新规则，称为组块。下次出现相同情境时，组块直接触发，不再发生僵局。

什么是黑板系统？

黑板系统用称为知识源的独立专家模块来解决问题，这些模块只通过一个共享工作区即黑板来通信，黑板在多个抽象层级上存放部分解。一个控制组件决定下一个运行哪个知识源。1971 年至 1976 年在卡内基梅隆大学构建的语音理解系统 Hearsay-II 是第一个黑板系统。

ACT-R 用来做什么？

ACT-R 主要用于构建人类认知的模型，预测准确率、反应时间和学习过程，并把它们与脑活动联系起来。它最著名的应用是数学与编程的认知导师，这类系统把学生的每一步与一个关于该技能的产生式规则模型进行对照。

认知架构属于符号 AI 吗？

经典的认知架构属于。Soar、ACT-R、EPIC 和黑板系统都把知识表示为符号规则和结构。许多架构还加入了数值量，例如 ACT-R 的激活值或 Soar 通过强化学习得到的偏好，而 CLARION 这样的混合架构则把符号规则与神经网络结合起来。

认知架构今天还在使用吗？

在使用。它们在认知心理学和神经科学中用于模拟人类行为，在人因工程中用于预测任务表现，也用于辅导系统和军事仿真。它们关于工作记忆、情景记忆和决策循环的概念，也被语言模型智能体的设计者所借用。

什么是认知通用模型？

它是 John Laird、Christian Lebiere 和 Paul Rosenbloom 在 2017 年提出的共识模型，最初称为心智的标准模型。它总结了 ACT-R、Soar 和 Sigma 的共同点：一个工作记忆、一个循环约 50 毫秒的规则程序性记忆、一个陈述性记忆、感知与运动模块，以及逐步进行的学习。

13. 参考文献

1. A. Newell. Unified Theories of Cognition. Harvard University Press, 1990.
2. A. Newell, H. A. Simon. Human Problem Solving. Prentice-Hall, 1972.
3. A. Newell. You Can’t Play 20 Questions with Nature and Win. In W. G. Chase (ed.), Visual Information Processing. Academic Press, 1973.
4. L. D. Erman, F. Hayes-Roth, V. R. Lesser, D. R. Reddy. The Hearsay-II Speech-Understanding System: Integrating Knowledge to Resolve Uncertainty. ACM Computing Surveys 12(2):213–253, 1980. doi:10.1145/356810.356816
5. H. P. Nii. Blackboard Systems. Part One: The Blackboard Model of Problem Solving and the Evolution of Blackboard Architectures, AI Magazine 7(2); Part Two: Blackboard Application Systems and a Knowledge Engineering Perspective, AI Magazine 7(3). 1986.
6. B. Hayes-Roth. A Blackboard Architecture for Control. Artificial Intelligence 26(3):251–321, 1985.
7. J. E. Laird, A. Newell, P. S. Rosenbloom. SOAR: An Architecture for General Intelligence. Artificial Intelligence 33(1):1–64, 1987.
8. J. E. Laird, P. S. Rosenbloom, A. Newell. Chunking in Soar: The Anatomy of a General Learning Mechanism. Machine Learning 1(1):11–46, 1986. doi:10.1007/BF00116249
9. A. Newell, P. S. Rosenbloom. Mechanisms of Skill Acquisition and the Law of Practice. In J. R. Anderson (ed.), Cognitive Skills and Their Acquisition. Erlbaum, 1981.
10. P. S. Rosenbloom, J. E. Laird. Mapping Explanation-Based Generalization onto Soar. Proceedings of AAAI-86, 1986.
11. J. E. Laird. The Soar Cognitive Architecture. MIT Press, 2012.
12. J. E. Laird. Introduction to the Soar Cognitive Architecture. arXiv:2205.03854, 2022.
13. J. R. Anderson. The Architecture of Cognition. Harvard University Press, 1983.
14. J. R. Anderson. Rules of the Mind. Lawrence Erlbaum, 1993.
15. J. R. Anderson, D. Bothell, M. D. Byrne, S. Douglass, C. Lebiere, Y. Qin. An Integrated Theory of the Mind. Psychological Review 111(4):1036–1060, 2004.
16. J. R. Anderson, A. T. Corbett, K. R. Koedinger, R. Pelletier. Cognitive Tutors: Lessons Learned. Journal of the Learning Sciences 4(2):167–207, 1995.
17. D. E. Kieras, D. E. Meyer. An Overview of the EPIC Architecture for Cognition and Performance with Application to Human-Computer Interaction. Human-Computer Interaction 12(4):391–438, 1997.
18. R. Sun. Duality of the Mind: A Bottom-up Approach Toward Cognition. Lawrence Erlbaum, 2002.
19. J. E. Laird, C. Lebiere, P. S. Rosenbloom. A Standard Model of the Mind: Toward a Common Computational Framework across Artificial Intelligence, Cognitive Science, Neuroscience, and Robotics. AI Magazine 38(4), 2017. doi:10.1609/aimag.v38i4.2744
20. I. Kotseruba, J. K. Tsotsos. 40 Years of Cognitive Architectures: Core Cognitive Abilities and Practical Applications. Artificial Intelligence Review 53:17–94, 2020. arXiv:1610.08602
21. R. M. Jones, J. E. Laird, P. E. Nielsen, K. J. Coulter, P. Kenny, F. V. Koss. Automated Intelligent Pilots for Combat Flight Simulation. AI Magazine 20(1), 1999.
22. T. R. Sumers, S. Yao, K. Narasimhan, T. L. Griffiths. Cognitive Architectures for Language Agents. arXiv:2309.02427, 2023.
23. S. K. Card, T. P. Moran, A. Newell. The Psychology of Human-Computer Interaction. Lawrence Erlbaum, 1983.
24. J. R. Anderson, C. Lebiere. The Atomic Components of Thought. Lawrence Erlbaum, 1998.