认知负荷理论视角下的 LLM 协调：孤立智能体还是统一心智？
人工智能
2025-09-26 v2
摘要
大型语言模型 (LLM) 在复杂多层次任务上表现出显著的性能上限，因为它们往往无法整合多元信息或遵循多个约束。我们认为，这一限制源于任务需求超过了 LLM 有效认知负荷容量。这种解释强烈类比认知科学中的认知负荷理论 (CLT)，后者解释了类似的人类认知边界，并得到新兴证据的支持，表明 LLM 具有受限的工作记忆特征。基于此 CLT 导论的理解，我们引入 CoThinker，一种 novel LLM 多智能体框架，旨在缓解认知过载并提升协作问题解决能力。CoThinker 通过智能体专业化分配内在认知负荷，通过结构化通信和集体工作记忆管理事务性负荷来实现 CLT 原则。我们在复杂问题解决任务和制造的高认知负荷情境中进行经验验证，证明其在解决方案质量和效率方面优于现有多智能体基线。我们的分析揭示了特征性互动模式，为集体认知的出现和有效负荷管理提供了洞见，从而提供了一种原则化的方法来克服 LLM 的性能上限。
引用
@article{arxiv.2506.06843,
title = {United Minds or Isolated Agents? Exploring Coordination of LLMs under Cognitive Load Theory},
author = {HaoYang Shang and Xuan Liu and Zi Liang and Jie Zhang and Haibo Hu and Song Guo},
journal= {arXiv preprint arXiv:2506.06843},
year = {2025}
}