KC-Agent：高效改进机器学习模型的双过程认知架构

数据漂移在生产环境中对机器学习系统构成了重大挑战，要求持续更新模型以保持性能。我们提出了一种名为KC-Agent的双过程认知架构，用于自动化的机器学习模型改进，该架构结合了快速模式识别（系统1）与有意识的增量更新（系统2）。我们的方法实现了结构化记忆系统，使系统1能够利用系统2之前发现的成功解决方案，从而实现高效的模式响应，而不进行昂贵的重新计算。KC-Agent还采用了原子变化原则和回滚功能，以确保在生产环境中可靠的可验证更新。我们评估了我们的方法在五个数据集上进行，包括真实世界的NASA涡扇数据，具有真实的时序退化，以及控制退化的合成数据集。KC-Agent在准确性上达到最佳状态（76.8%的准确率），同时保持最佳效率（13.2秒的执行时间），超过了现有的认知架构：CodeAct（+2.4%）、Tree of Thoughts（+3.6%）、ReAct（+8.0%）、和Reflexion（+8.9%）。通过一组最先进的LLMs的共识评估，确认了更高的战略效用（Smartness score 8.33/10），显著优于基准代理。知识整合机制实现了与慢版本相比的91%的性能提升，同时保持更高的准确率。我们的方法展示了理论基础和实际可行性，对于基于认知的自动机器学习改进系统，能够在处理复杂的现实世界数据漂移场景中处理复杂的数据。