CEAA：面向交互式计算系统的认知具身智能体架构 CEAA: A Cognitive Embodied Agents Architecture for Interactive Computing Systems
融合感知—思考—行动循环与BDI推理模型，为游戏引擎中的认知具身智能体提供可部署的模块化架构模板
前置知识
智能虚拟代理（IVA）
存在于 2D/3D 虚拟环境中、具有具身化外观的自主或半自主软件实体，能感知虚拟世界、进行推理并执行动作，与用户进行自然且个性化的交互。早期定义强调自主性、反应性、主动性与社交能力；随着虚拟环境技术发展，IVA 已从抽象决策实体演进为教育、娱乐、医疗、元宇宙等应用中可见可感的虚拟角色。
本文的全部设计对象就是 IVA：理解 IVA 的能力需求以及具身化带来的额外约束（感知、动画、通信需实时协调），才能明白为什么需要 CEAA 这样的认知架构来统一组织代理的大脑。
感知—思考—行动（Sense-Think-Act）范式
描述智能体运行的基本循环：代理先感知环境状态，再在内部进行思考与决策，最后执行动作反作用于环境。该范式概念清晰、易于实时实现，是游戏 AI 与机器人中最低与中间抽象层的主干；但它对复杂推理与记忆机制只提供粗粒度框架，缺少如何实现的具体指导。
CEAA 直接以该范式为运行骨架并逐段扩展，论文的十二个组件本质上就是把这一循环拆细重组，不熟悉这个循环就看不懂各组件为何串联以及数据如何流动。
BDI（Belief-Desire-Intention）模型
源于 Bratman 实践推理哲学的经典代理架构：信念 $Bel$ 是代理对世界的主观认知，可随感知动态更新，可符号化、概率化或带置信权重；愿望 $Des$ 是代理的动机状态与目标；意图 $Int$ 是从愿望中承诺执行的活跃目标，约束长期行为、防止目标频繁切换。三者循环联动，完成感知、选项生成、承诺与计划执行的理性决策。
BDI 是 CEAA 的推理内核，认知构造、推理器与规划器三个组件都围绕 $(Bel, Des, Int)$ 三元组展开，是读懂方法部分的核心前提。
黑板架构
一种经典符号 AI 协作模式：多个独立的专业知识源围绕一块共享'黑板'协同求解复杂问题，各自只贡献自己理解或认为相关的部分，如同多人围看同一块黑板各自补充内容。系统在黑板上维护全局状态与事件记录，知识源之间没有直接依赖，全部通过黑板交换信息。
CEAA 的知识库组件正是按黑板范式实现的：环境事件被记为代理依自身目标去认领的'问题'，这一设计决定了多个代理如何无耦合地共享环境信息，是理解架构第二层的关键。
SOAR 与 ACT-R 认知架构
两个经典的类人认知模拟架构。SOAR 基于问题空间计算模型，通过产生式规则感知环境、生成并选择算子，支持感知、规划与学习；ACT-R 采用模块化的心理学结构，以陈述性记忆与程序性记忆为核心，帮助代理感知、控制与管理目标。两者理论根基深厚，但结构复杂，难以直接嵌入对实时性要求苛刻的 3D 虚拟环境。
它们是论文中'高层认知抽象'路线的代表与对照对象，理解其复杂性与集成困难，才能体会 CEAA 选择'实现导向'融合路线的动机与取舍。
行为树与有限状态机
游戏引擎中组织代理行为的两种主流结构：有限状态机用状态与转移表达行为切换，实现简单、运行高效；行为树用层次化的选择、序列、条件节点组织决策逻辑，便于复用与编辑。两者擅长控制逐帧反应行为，但表达目标、信念与长期意图的能力有限，难以支撑目标导向推理与可解释性。
它们是论文批评的'反应式路线'的代表，CEAA 声称与之互补而非替代；同时 CEAA 的行动组件在实时执行层仍采用有限状态机类算法，说明两者在架构中各得其所。
研究动机
当前在虚拟世界中部署具身智能虚拟代理（IVA）存在两条各自为政的技术路线，且都有明显短板。工程界的主流做法是在 Unity、Unreal 等商业游戏引擎内实现反应式或半反应式控制，如状态机、行为树和脚本化规则系统，这类方法控制逐帧行为高效易用，但面对动态环境难以支持目标导向推理、可解释性与个性化，一旦代理需要承担引导、教学、评估等复杂职责便力不从心。学术界的另一条路线是认知架构：BDI、SOAR、ACT-R 等为推理与决策提供了深厚的理论基础，然而这些模型过于抽象和复杂，难以直接集成到对实时性要求苛刻的 3D 环境中。此外，情节记忆、程序记忆等知识表示机制虽能让代理学习与个性化，却因性能与复杂度约束很难实时实现。具身化又进一步放大了问题：具身代理必须同时协调认知、感知、动画与通信，导致认知逻辑与引擎组件紧耦合，最终系统难以扩展、复用与推理。
本文的目标是论文的目标是弥合高层推理模型与实时具身执行之间的鸿沟，提出一个面向实现、模块化、可复用的认知代理架构 CEAA，作为在交互式 3D 计算系统中部署 IVA'大脑'的模板与骨干。具体而言，CEAA 要在同一架构内统一高层推理、显式记忆、规划与实时具身行动四要素；将代理的认知状态、推理、规划与具身动作清晰分离为独立但互联的组件；并与 Unity、Unreal 等现代游戏引擎的组件化、面向对象与事件驱动范式对齐，使开发者能以较低工程门槛实现具有目标导向、自适应与可解释行为的具身代理，适用于 VR、严肃游戏、元宇宙应用与信息物理社会系统（CPSS）等场景。
与已有工作不同的是，本文的独特切入角度在于'实现导向的融合'而非提出新推理模型。作者指出，认知架构只提供概念基础，缺少实现指导与实时可行性；游戏 AI 则以性能和具身为先，牺牲了认知深度与可解释性；两者之间的空白恰是工程实践最需要却最少被系统研究的地带。CEAA 的做法是把三个抽象层次（代理如何运行、如何表现行为、为何行动）统一到一个可落地结构中：以 Sense-Think-Act 范式为运行骨架，以 BDI 为推理内核，以黑板架构实现环境与代理间的共享知识，再补充显式记忆与记忆处理器组件。与已有工作的本质区别有二：具身表达被内嵌进决策流水线，与认知同等重要；认知被分解为十二个可直接映射到引擎组件的具体模块，降低实现不确定性，同时支持模块化开发、测试、扩展与可解释性。
核心方法
直觉上，CEAA 把具身代理拆成'世界—共享问题板—大脑'三部分：环境里发生的一切被记录成待解决的问题，代理根据自身角色与目标选择性认领并求解。技术上，架构分为三层：第一层是用户与环境层，容纳用户、代理与虚拟物件，本身不具备认知，只产生刺激；第二层是知识层，由知识库以黑板架构持续记录环境事件与世界状态，使所有代理可见共享，用户行为因此被建模为各代理依自身目标去解决的'问题'；第三层是代理层，实现类人推理与决策。代理层内部由十二个互联组件构成：环境接口、知识库、感知、记忆、记忆处理器、思考、认知构造、推理器、规划器、代理能力、行为映射器与行动。整体运行遵循扩展的 Sense-Think-Act 循环：事件经感知过滤后写入记忆，思考组件作为总指挥协调推理与规划，行动最终经行为映射器落地为动画、语音或导航。作者同时强调部署要点：帧关键操作（感知触发、动画控制、动作执行）应贴近引擎主循环，记忆检索、推理与规划可异步或事件驱动执行，避免认知循环阻塞渲染、物理与用户交互。
核心创新是把多条已确立的路线组装成一条连贯的具身决策流水线，并对每一步给出工程化的组件定义。具体而言：以黑板架构作为环境与代理之间的中介，维护环境的符号化表示与近期事件日志，多代理可无直接依赖地共享信息；以'感知+记忆'实现选择性注意，代理按角色、$Bel$、$Des$、$Int$ 等兴趣准则，用规则过滤器与受 pandemonium 模型启发的竞争筛选算法剔除无关刺激，防止认知过载；以显式的记忆组件和记忆处理器承载情节记忆与语义记忆，通过相似性召回、上下文匹配与基于案例的推理支撑经验积累与个性化；以认知构造中的三元组 $(Bel, Des, Int)$ 形式化代理心智状态，使目标导向行为天然可解释；再由推理器与规划器把心智状态转为符号动作序列，最后由行为映射器结合代理能力库把抽象决策落地为具体动画、手势与语音。与已有方法的本质区别在于：CEAA 不提出新推理算法，而是把 BDI、黑板、Sense-Think-Act 等组织成顺序流水线，并把'身体能力'纳入决策过程，认知与具身地位平等。
方法步骤详情
完整流水线可按数据流描述。第一步，环境接口捕获用户交互、对象状态变化、代理移动、碰撞等事件，经发布-订阅等机制检测并转为结构化信息。第二步，知识库以黑板模式记录事件与世界当前状态，作为共享'问题板'。第三步，感知组件在黑板上筛选与本代理相关的问题，把问题信息连同'类似事件是否发生过'的查询交给记忆组件；过滤使用规则筛选器与 pandemonium 启发算法。第四步，记忆组件组织情节记忆与语义记忆，记忆处理器负责存储、索引与检索，包括相似性召回、上下文匹配与基于案例的推理。第五步，思考组件作为中枢协调者，检索 $(Bel, Des, Int)$、当前知识与记忆并发起决策；认知构造维护三个数据库式子结构，信念可带置信权重，愿望可带优先级、效用与激活条件，意图约束长期行为。第六步，推理器评估信念以生成或更新愿望、按优先级裁决竞争愿望、选定承诺执行的意图，并管理意图修订。第七步，规划器把信念、愿望、意图转成有序或偏序的符号动作计划。第八步，行动组件取得'做什么'的决策后咨询行为映射器，映射器向代理能力库查询动画、语音、注视、手势等资源，把符号动作翻译成引擎可执行的行为规格。第九步，行动组件在环境中实时执行，多采用有限状态机类算法以满足性能与同步约束。
技术新颖性
技术新颖性体现在四个方面。其一，架构融合而非替代：CEAA 把 BDI、黑板架构、Sense-Think-Act 与常见游戏 AI 结构组织成顺序流水线，创新属于'架构与实现导向'层面，填补的是理论模型到实时部署之间的工程空白，这一定位在架构类论文中较为罕见。其二，认知与具身的对等整合：多数架构把认知当核心、把身体表达当输出，CEAA 则把行为表达内嵌进决策管线——行为映射器与能力库让每个意图都必须通过'身体能否做到'的检验，这对 IVA 研究中生成富有表现力且情境恰当的行为尤为关键。其三，可复用的参考模型：三层十二组件的划分与面向对象、组件式开发范式对齐，环境与行动组件可对接引擎的场景、物理与动画系统，知识库、记忆、推理器、规划器可作为独立服务或管理器运行，具备模块化开发、测试、扩展与可解释的工程优势。其四，差异化定位清晰：与独立 BDI 架构不同，黑板只是架构的一层而非全部控制机制；信念、愿望、意图与共享环境知识、代理记忆、能力感知规划和具身执行被显式链接。
实验结果
论文通过原型系统与用户研究提供可行性证据。原型是基于 CEAA 在 Unity3D 中开发的教学代理学习环境，含桌面 3D 与沉浸式 VR 两版，场景为纪念 ENIAC 与早期计算史的虚拟博物馆，内含学习材料、可交互三维 ENIAC 模型和四个分工不同的具身教学代理：它们充当导航员与讲解员，讲解 ENIAC 的历史、部件、运行与局限，又充当评估者答疑并开展带自适应反馈的问答测评。评估采用混合方法：92 名计算机与工程专业本科生随机分为桌面组与 VR 组各 46 人，每人交互约 45 分钟，完成知识前测、后测及测量努力期望、绩效期望、行为意向与使用态度的问卷，VR 组另有 12 人参加焦点小组。结果表明：两组知识获取均达到统计显著的组内提升，所有参与者前测到后测均为正向增益；桌面组总体增益略高于 VR 组但组间差异不显著，说明同一代理化教学设计可跨桌面与 VR 有效促进学习。技术接受度两组均为正面，VR 组在努力期望与行为意向上的中位数略高，绩效期望与态度中位数两组相当；焦点小组将 VR 体验与交互性、沉浸感、参与度和信息记忆联系起来。论文还举例说明情节记忆的作用：代理能识别某演示此前已讲过并调整后续回应。
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| 教育场景知识获取（ENIAC 虚拟博物馆，桌面与 VR 两版） | 知识前测—后测成绩增益（组内统计检验） | 92 名学生中，桌面组与 VR 组均出现统计显著的组内学习提升，全部参与者前测到后测均为正向增益 | 无外部对照组；架构可行性验证以组内前后测为基准 | 两组组内增益均统计显著，验证 CEAA 驱动的代理可支撑有效学习 |
| 桌面 3D 与沉浸式 VR 交付方式对比 | 组间学习增益差异 | 桌面组总体学习增益略高于 VR 组 | 同架构、同教学设计的 VR 条件（各 46 人） | 组间差异不具统计显著性，说明学习效果跨交付方式一致 |
| 技术接受度评估（努力期望/绩效期望/行为意向/使用态度） | 四维问卷中位数 | 两条件均为正面评价；VR 组努力期望与行为意向中位数略高 | 桌面条件 | 绩效期望与态度中位数两组相当，整体接受度积极 |
局限与改进
作者坦承的最大局限是架构目前仍停留在概念与理论层面：虽已在先前研究中验证可行性，但尚未对其性能、可扩展性与跨领域泛化做系统基准测试，也未与 BDI、Sense-Think-Act 等其他架构在延迟、开发难易度、用户体验等维度上对比，现阶段只能作为他人实现代理'大脑'的参考与指南。我的观察补充几点：其一，用户研究衡量的是学习成效与技术接受度，而非架构本身的认知质量，没有设置'用行为树 NPC 讲同款课程'之类的对照条件，无法证明学习收益来自 CEAA 的认知机制而非教学设计本身；其二，论文未给出代理推理延迟、记忆占用、事件吞吐等系统级量化指标，'实时可行'更多是设计论断而非实测结论；其三，黑板知识库在多代理、长时间运行下的规模与一致性问题未讨论；其四，评估仅限教育/博物馆单一领域，焦点小组只覆盖 VR 组 12 人，代表性有限；其五，pandemonium 过滤、案例推理等算法只有概念描述，缺少伪代码或参数，留给实现者大量自由度也带来不确定性。
独立分析的弱点
独立分析后我认为有五个具体弱点。第一，感知过滤依赖简单规则与 pandemonium 启发算法，面对自然语言请求、模糊刺激或开放式环境时相关性判断会失效，改进方向是引入大语言模型或学习型相关性分类器做语义级过滤。第二，认知构造被描述为'数据库式'的 $Bel$、$Des$、$Int$ 存储，缺少形式语义与承诺策略（何时、如何放弃或替换意图），规则推理与约束满足只是'可选用'，工程上容易退化成硬编码脚本，改进方向是借鉴形式化 BDI 语言并明确承诺机制。第三，集中式黑板是潜在瓶颈与单点故障，代理数量增多时写入与查询竞争会加剧，可改为分区黑板或发布-订阅式共享内存，并补充一致性与过期事件清理策略。第四，记忆处理器只点名了相似性召回、上下文匹配与基于案例推理，未涉及记忆遗忘、冲突消解与容量增长控制，长期运行会面临记忆爆炸，可用向量数据库与重要性加权遗忘机制解决。第五，评估缺乏消融实验：没有比较'去掉记忆''去掉 BDI'的简化版本，无法量化各组件的独立贡献，后续应补充组件级消融与推理延迟剖析，让'实时可行'有数据支撑。
未来方向
作者明确提出的后续工作有两项：一是对 CEAA 进行基准测试，与 BDI、Sense-Think-Act 等已有架构在延迟、开发难易度、用户体验等多个维度上做对比实验，建立性能、可扩展性与泛化性的实证证据；二是为 Unity 和 Unreal 开发实现 CEAA 的扩展工具，把架构从参考指南变成可用工具链，降低开发者部署认知代理的门槛。在此基础上，我认为还可以延伸出几个方向：其一，把思考与推理器组件对接大语言模型，让 $Bel$、$Des$、$Int$ 的生成与修订由 LLM 驱动，同时保留显式结构维持可解释性与可控性；其二，用向量数据库实现情节与语义记忆的语义检索，替代简单的状态机式召回，支撑更自然的经验泛化；其三，研究多代理协调协议，探索多个 CEAA 代理如何通过共享黑板分工、协商与冲突消解；其四，制定具身认知代理的标准化评测场景（任务完成率、响应延迟、行为合理性评分），弥补当前领域缺少统一基准的问题；其五，把架构推广到元宇宙文化遗产、严肃游戏与 CPSS 等领域，并开展长期学习效果的纵向用户研究。
复现评估
复现难度中等偏上，主要因为论文没有随文发布任何代码或参考实现：CEAA 以概念架构与部署模板的形式呈现，Unity3D 的 ENIAC 虚拟博物馆原型（桌面与 VR 两版、四个教学代理）仅有文字描述，工程细节、算法伪代码、问卷量表与前后测题目均未公开，用户研究数据也无公开数据集。若要复现架构，需要在 Unity 或 Unreal 中从零实现环境接口、黑板知识库、感知、记忆与记忆处理器、认知构造、推理器、规划器、行为映射器、代理能力库等十二个组件，工作量约数人月，但不依赖特殊算力，一台常规 PC 加 VR 头显即可满足原型与测试需求。用户研究部分的协议描述相对完整（92 名被试、每组 46 人、约 45 分钟交互、前后测加四维接受度问卷、VR 组 12 人焦点小组），原则上可以复制，但需要伦理审批与被试资源。综合看：概念层面易于理解与参考，工程与实验层面的完整复现门槛较高，最可行的路径是先实现最小可用流水线（黑板+感知+BDI+行动）再逐步补齐其余组件。
论文图表
该图把代理架构划分为三个抽象层次：最低层是执行与时间控制层，定义代理'如何运行'，即持续更新的操作循环；中间层是行为表示层，涵盖规则系统、状态机、行为树等符号 AI 技术，负责组织具体动作但缺少对目标、信念与认知的表示；最高层是认知层，解释代理'为何行动'，对应 BDI、SOAR、ACT-R 等认知模型。图中还标示了 Sense-Think-Act 范式横跨最低两层、BDI 主导最高层的位置关系。
这张图给出了论文的顶层分析框架：CEAA 的全部设计动机就是把三个层次统一进一个可实现的结构。先看懂它，才能理解论文为何批评现有工作'只覆盖部分层次'，也才能把十二个组件分别定位到对应的抽象层级。