Self-Emergence Agent Architecture:Behavior-Inertia HMM, Reflexive Metacognition,and Social-Contrastive Self-Modeling· 自涌现代理架构：行为惯性HMM、反思元认知和社会对比自建模
Large language model (LLM) agents exhibit strong language-generation and problem-solving capabilities, yet suffer from three structural limitations: personality drift, non-evolutionary reflection, and the absence of a self-other boundary. Existing generative-agent simulations rely on static memory and fixed prompts, maintaining neither behavioral inertia nor endogenous self-evolution. We propose the Self-Emergence Agent Architecture (SEAA), which integrates three components: (i) a Hidden Markov Model (HMM) that encodes long-term behavioral and cognitive inertia as an editable state-transition matrix; (ii) a Reflexion-style verbal metacognition loop whose output updates the HMM parameters themselves, rather than merely being stored as text; and (iii) a multi-agent social environment in whic
提出自涌现代理架构，解决大型语言模型代理的个性漂移、非演化反思和缺乏自我界限问题。
- 核心方法
- SEAA 架构整合了三个部分：(i) 长期行为和认知惯性的可编辑状态转移矩阵 HMM；(ii) 反射式语言元认知循环，直接更新 HMM 参数；(iii) 多代理社会环境中的自我建模机制。
- 适合谁读
- 研究者
- 要解决的问题
- 大型语言模型代理存在的问题包括个性漂移、无法进行演化反思以及无法清晰区分自我与他者。
- 关键实验
- 未提供
- 主要贡献
- 提出了一种全新的代理架构，能够维持代理的一致性和自我演化能力，同时在多代理环境中清晰地建模自我与他者的界限。
- 意义与局限
- 该架构有望改善大型语言模型代理的稳定性和适应性，但需要进一步的实验验证其有效性和实际应用效果。