Cognitieve modellen en AI-algoritmes bieden sjablonen voor het ontwerpen van taalagentschappen.

Cognitive Models and AI Algorithms Provide Templates for Designing Language Agents

February 26, 2026

Auteurs: Ryan Liu, Dilip Arumugam, Cedegao E. Zhang, Sean Escola, Xaq Pitkow, Thomas L. Griffiths

cs.AI

Samenvatting

Hoewel hedendaagse grote taalmmodellen (LLM's) in isolatie steeds krachtiger worden, zijn er nog steeds veel complexe problemen die de mogelijkheden van een enkele LLM te boven gaan. Voor dergelijke taken bestaat er nog onduidelijkheid over de beste manier om meerdere LLM's als onderdelen te nemen en te combineren tot een groter geheel. Dit position paper betoogt dat potentiële blauwdrukken voor het ontwerpen van dergelijke modulaire taalagentschappen gevonden kunnen worden in de bestaande literatuur over cognitieve modellen en algoritmen voor kunstmatige intelligentie (AI). Om dit punt te verduidelijken, formaliseren we het idee van een agentsjabloon dat rollen specificeert voor individuele LLM's en hoe hun functionaliteiten gecomponeerd moeten worden. Vervolgens geven we een overzicht van diverse bestaande taalagentschappen in de literatuur en belichten we hun onderliggende sjablonen die rechtstreeks zijn afgeleid van cognitieve modellen of AI-algoritmen. Door deze ontwerpen te belichten, willen we de aandacht vestigen op agentsjablonen geïnspireerd door de cognitieve wetenschap en AI als een krachtig instrument voor het ontwikkelen van effectieve, interpreteerbare taalagentschappen.

English

While contemporary large language models (LLMs) are increasingly capable in isolation, there are still many difficult problems that lie beyond the abilities of a single LLM. For such tasks, there is still uncertainty about how best to take many LLMs as parts and combine them into a greater whole. This position paper argues that potential blueprints for designing such modular language agents can be found in the existing literature on cognitive models and artificial intelligence (AI) algorithms. To make this point clear, we formalize the idea of an agent template that specifies roles for individual LLMs and how their functionalities should be composed. We then survey a variety of existing language agents in the literature and highlight their underlying templates derived directly from cognitive models or AI algorithms. By highlighting these designs, we aim to call attention to agent templates inspired by cognitive science and AI as a powerful tool for developing effective, interpretable language agents.