-
首先，深入研究智能Agents的模块化基础，系统地将其认知、感知和操作模块映射到类似人类大脑的功能，并阐明记忆、世界建模、奖励处理以及类似情感系统等核心组件。 -
其次，讨论自我增强和适应性进化机制，探讨如何通过自动化优化范式（包括新兴的AutoML和LLM驱动的优化策略）自主完善其能力、适应动态环境并实现持续学习。 -
第三，研究协作和进化multi-Agent系统，调查从Agent互动、合作以及社会结构中涌现的集体智能，并强调其与人类社会动态的相似之处。 -
最后，着重讨论构建安全、可靠且有益的AI系统
-
认知（Cognition）：首先探讨学习，研究它在心理状态内部发生的空间以及它所服务的具体目标。随后，研究推理，分析结构化和非结构化的方法，最后专门探讨规划能力作为一种特殊的推理行为。
-
记忆（Memory）:首先简要概述人类记忆，重点关注编码、巩固和检索等关键阶段。然后，将探讨设计人工智能代理记忆系统的多样化方法，从传统的符号表示到前沿的基于神经网络的方法。最后，将考虑如何从神经科学和认知心理学中汲取原则以指导未来研究。
-
世界模型（World Model）：探讨了人类认知研究中的“心理模型”与人工智能中的AI世界模型之间的关系，并将其归类为四种范式：隐式范式、显式范式、基于模拟器的范式以及一类其他新兴方法（例如，指令驱动范式）。
-
奖励（Reward）：奖励帮助代理区分有益和有害的行动，塑造其学习过程并影响其决策制定。
-
感知（Perception）：感知是人类和智能Agent获取信息、解释周围环境并最终做出明智决策的基础途径
-
行动系统（Action System）：基础模型为Agent奠定了基础，而行动系统决定了它们实现复杂目标的最终潜力
-
最近在代理系统研究中探索的各种优化空间，包括提示、工具和工作流程。
-
优化算法，讨论了传统的优化范式和元优化，其中优化过程也会影响底层的优化算法本身。 -
自我进化场景，将其分为两种类型：在线优化和离线优化。
-
大型语言模型（LLM）代理自我改进技术的应用，特别是在人工智能用于科学（AI-for-science）领域的知识发现。
-
不同的系统目标如何塑造代理的角色、行为模式和协作策略。 -
分析了各种通信结构，包括促进有效代理间和人机通信的交互协议。 -
探讨了协作决策制定方法，以及代理如何利用其独特的专业知识和视角， -
讨论了集体智能和进化机制以及进化过程，重点介了适应性学习方法、持续的知识共享以及共同提升MAS性能的迭代改进机制。
https://arxiv.org/pdf/2504.01990Advances and Challenges in Foundation Agents: From Brain-Inspired Intelligence to Evolutionary, Collaborative, and Safe Systemshttps://github.com/FoundationAgents/awesome-foundation-agents
（文：PaperAgent）