模拟人类认知：基于 LLM 系统的心跳驱动式自主思维活动调度

大语言模型（LLM）智能体在推理和工具使用方面展现出惊人的能力，但常因僵化的、反应式的控制流程而受限于适应性和效率。大多数现有框架依赖固定的管道或故障触发的反思，导致智能体冲动行动或仅在出错后才进行纠正。本文引入了心跳驱动的自主思维活动调度机制，使其能够实现主动、自适应和持续的自我调节。模仿人类认知的自然节律，本系统采用周期性\emph{心跳}机制协调动态认知模块（如计划员、批判家、召回者、构想者）的调度。不同于依赖硬编码符号规则或即时反应触发的传统方法，本调度器学习确定何时激活特定思维活动——例如回想记忆、总结经验或进行战略规划——基于时间模式和历史背景。这种功能方法允许认知模块动态添加或移除，而无需结构性重构。同时，我们提出了一种元学习策略，用于持续的策略适应，使调度器能够通过历史交互日志优化其认知策略。评估结果表明，我们的方法能够依据历史数据学习合理的认知活动调度，并能够自主集成新的思维模块。