AI Agents with LangChain & Autonomous Workflows · Lekcja

Architektury kognitywne agentów

Poznaj uznane architektury kognitywne (np. SOAR, ACT-R), które modelują procesy rozumowania i uczenia się podobne do ludzkich w agentach AI.

Architektury kognitywne agentów to bezpłatna lekcja AI Agents with LangChain & Autonomous Workflows na CoddyKit. To lekcja 4 z 6. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej AI Agents with LangChain & Autonomous Workflows, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs AI Agents with LangChain & Autonomous Workflows zawiera 6 lekcji w sumie.

Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.

Intro to Cognitive Agents

Welcome! Today, we'll explore Cognitive Architectures. These aren't just simple programs; they're frameworks designed to mimic human-like reasoning, learning, and decision-making in AI agents.

They bridge the gap between reactive agents and truly intelligent systems capable of complex problem-solving.

Why Cognitive Architectures?

Simple agents react to immediate percepts. But what if an agent needs to plan, learn from mistakes, or understand complex situations?

Human-like Intelligence: Model how humans think.
General Problem Solving: Tackle diverse tasks, not just one.
Learning & Adaptation: Improve performance over time.
Robustness: Handle unexpected situations.

Core Components of Cognition

Most cognitive architectures share common building blocks, inspired by human psychology:

Perceptual System: How the agent "sees" the world.
Memory Systems: Short-term (working) and long-term knowledge.
Decision-Making: How the agent chooses its next action.
Motor System: How the agent acts on the world.

SOAR: State, Operator, Result

SOAR (State, Operator, And Result) is a classic cognitive architecture. It views all intelligence as a continuous process of problem-solving, represented as searching through a state space.

SOAR operates in decision cycles, constantly choosing operators to apply to the current state to reach a desired result.

SOAR's Working Memory

SOAR's working memory holds the agent's current understanding of the world, its goals, and the current problem state. It's temporary and constantly updated.

Think of it as the agent's "consciousness" at any given moment. Here's a simplified representation:

public class SoarWorkingMemory {
  String goal;
  String currentState;
  boolean obstacleDetected;

  public SoarWorkingMemory(String goal, String state) {
    this.goal = goal;
    this.currentState = state;
    this.obstacleDetected = false;
  }

  public void updateState(String newState) {
    this.currentState = newState;
  }

  public String toString() {
    return "Goal: " + goal + ", State: " + currentState +
           ", Obstacle: " + obstacleDetected;
  }

  public static void main(String[] args) {
    SoarWorkingMemory wm = new SoarWorkingMemory("ReachExit", "StartRoom");
    System.out.println(wm);
    wm.updateState("Corridor");
    System.out.println(wm);
  }
}

SOAR's Production Rules

SOAR uses production rules (if-then rules) in its long-term memory to propose and select operators. When a rule's if condition matches the working memory, its then part proposes an action or modifies the state.

This example shows a simple rule for moving an agent:

public class SoarProductionRule {
  public static void main(String[] args) {
    String currentState = "near_door";
    String goal = "exit_room";

    System.out.println("Current State: " + currentState);
    System.out.println("Goal: " + goal);

    // A simple SOAR-like production rule
    if (currentState.equals("near_door") && goal.equals("exit_room")) {
      System.out.println("Rule Fired: Propose 'open_door_operator'");
      System.out.println("Action: Agent opens the door.");
      currentState = "door_open"; // State update
    } else {
      System.out.println("No matching rule fired.");
    }
    System.out.println("New State: " + currentState);
  }
}

SOAR's Learning: Chunking

A unique feature of SOAR is chunking. When the agent encounters an impasse (a situation where it can't decide what to do), it enters a sub-state to resolve it.

Once the impasse is resolved, SOAR "chunks" the experience, creating a new production rule that directly solves that type of impasse in the future. This is how SOAR learns!

ACT-R: Adaptive Control of Thought

ACT-R (Adaptive Control of Thought—Rational) is another prominent cognitive architecture. It's designed to model human cognition at a finer grain, focusing on psychological data and predicting human behavior.

ACT-R emphasizes a modular structure, with distinct memory systems and processes working together.

ACT-R's Memory Modules

ACT-R has several key modules, including:

Declarative Memory: Stores factual knowledge (e.g., "Paris is the capital of France") as discrete units called chunks.
Procedural Memory: Stores "how-to" knowledge (e.g., "how to tie a shoe") as production rules.
Goal Module: Manages the agent's current goals.
Imaginal Module: Holds temporary problem representations.

Activation & Utility in ACT-R

Unlike SOAR's pure rule-matching, ACT-R's modules interact based on activation and utility:

Activation: Chunks in declarative memory have an activation level, influencing how quickly they can be retrieved. More relevant or recent chunks have higher activation.
Utility: Production rules in procedural memory have a utility value, reflecting their past success. Rules with higher utility are more likely to be chosen.

Cognitive Arch. Check

Let's check your understanding of these cognitive architectures.

Recap: Cognitive Agents

We've explored Cognitive Architectures, frameworks that aim for human-like intelligence. We looked at:

SOAR: Problem-solving as search, using production rules and learning via chunking.
ACT-R: A modular system with declarative and procedural memory, guided by activation and utility.

These architectures provide powerful models for building agents that can reason, learn, and adapt in complex ways.

Często zadawane pytania

Czy lekcja „Architektury kognitywne agentów” jest bezpłatna?

Tak — pełny tekst „Architektury kognitywne agentów” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu AI Agents with LangChain & Autonomous Workflows, przejdź na CoddyKit PRO. Kurs AI Agents with LangChain & Autonomous Workflows zawiera 6 lekcji w sumie.

Co nauczysz się w „Architektury kognitywne agentów”?

Poznaj uznane architektury kognitywne (np. SOAR, ACT-R), które modelują procesy rozumowania i uczenia się podobne do ludzkich w agentach AI. Ćwiczysz AI Agents with LangChain & Autonomous Workflows z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć AI Agents with LangChain & Autonomous Workflows?

Nie wymagamy żadnego doświadczenia. AI Agents with LangChain & Autonomous Workflows w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 4 z 6.

Ile czasu zajmuje lekcja „Architektury kognitywne agentów”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji AI Agents with LangChain & Autonomous Workflows?

Tak. Każda lekcja AI Agents with LangChain & Autonomous Workflows zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

← Powrót do AI Agents with LangChain & Autonomous Workflows