模拟人类认知：面向基于LLM的AI系统的心跳驱动自主思维活动调度

大语言模型（LLM）智能体在推理和工具使用方面已展现出卓越能力，但它们常常受制于僵化的、被动响应式的控制流，这限制了其适应性与效率。大多数现有框架依赖固定流水线或由失败触发的反思，导致智能体行为冲动，或只能在错误发生后才加以纠正。本文提出心跳驱动自主思维活动调度（Heartbeat-Driven Autonomous Thinking Activity Scheduling），这是一种能够实现主动、自适应且持续自我调节的机制。我们的系统仿照人类认知的自然节律，采用周期性的“心跳”机制来编排一组动态的认知模块（例如Planner、Critic、Recaller、Dreamer）。与依赖硬编码符号规则或即时反应式触发器的传统方法不同，我们的调度器学会根据时间模式和历史上下文来决定何时启动特定的思维活动——例如回溯记忆、总结经验或进行战略规划。这种功能性方法使认知模块可以在无需结构性重构的情况下被动态添加或移除。同时，我们提出一种用于持续策略适应的元学习策略，调度器利用历史交互日志随时间优化其认知策略。评估结果表明，我们的方法能够有效地学会基于历史数据调度认知活动，并能自主集成新的思维模块。