以下是 LangChain 官方博客文章《What is a Cognitive Architecture?》的中文翻译：
更新说明：多位读者指出，"认知架构"（cognitive architecture）这一术语在神经科学和计算认知科学领域拥有深厚的学术历史。根据维基百科的定义："认知架构既指关于人类心智结构的理论，也指该理论的计算实现。"这一定义（以及相关研究和文献）比我在此试图提供的解释要全面得多。因此，本文应被理解为作者在过去一年中构建和协助构建大语言模型（LLM）驱动应用的经验，与该研究领域的映射，而非对"认知架构"的全面学术界定。
在过去六个月里，我频繁使用一个短语------"认知架构"（cognitive architecture），今后我可能还会继续使用它。这个术语最早是我从 Flo Crivello 那里听到的，所有功劳都归于他；我认为这是一个极其出色的表述。那么，我所说的"认知架构"究竟指什么？
我所说的"认知架构"，指的是你的系统如何"思考"------换句话说，就是从用户输入出发，经过一系列代码、提示（prompt）和 LLM 调用，最终执行操作或生成响应的整个流程。
我喜欢用"认知"（cognitive）这个词，因为智能体系统（agentic systems）依赖 LLM 来推理"下一步该做什么"。
我也喜欢用"架构"（architecture）这个词，因为这些智能体系统仍然涉及大量类似传统系统架构的工程设计。
将自主性等级映射到认知架构
如果我们回顾这张幻灯片（最初来自我的 TED 演讲），其中展示了 LLM 应用的不同自主性等级，就能看到不同认知架构的实例：
-
纯代码（Hard-coded）
所有逻辑都是硬编码的。这甚至算不上真正的"认知架构"。
-
单次 LLM 调用
在 LLM 调用前后可能有一些数据预处理或后处理，但整个应用的核心就是一次 LLM 调用。简单的聊天机器人通常属于这一类。
-
LLM 调用链（Chain of LLM calls）
这种架构将问题拆解为多个步骤，或让每次调用服务于不同目的。更复杂的检索增强生成（RAG）流水线就属于此类：第一次调用生成搜索查询，第二次调用基于检索结果生成答案。
-
路由器（Router）
在此之前，你事先知道应用的所有执行步骤。而到了这一阶段，你不再预先确定流程------LLM 会动态决定采取哪些行动。这引入了更多随机性和不可预测性。
-
状态机（State Machine）
这是将 LLM 路由与循环结构结合起来的架构。由于加入了循环，系统理论上可以调用无限次数的 LLM，因此更加不可预测。
-
智能体（Agent） / 自主智能体（Autonomous Agent）
在状态机中，可执行的动作和后续流程仍然受到限制。而到了"自主智能体"阶段，这些限制被移除。系统自身开始决定：有哪些步骤可用、如何执行、甚至动态更新提示词、工具或底层代码来驱动自身行为。
如何选择认知架构？
当我提到"选择认知架构"时，指的是在上述几种架构中做出取舍。没有哪一种架构绝对优于其他------它们各自适用于不同任务。
在构建 LLM 应用时，你可能需要像调试提示词一样频繁地尝试不同的认知架构。我们开发 LangChain 和 LangGraph 的目标，正是为了支持这种灵活性。过去一年，我们的开发重点已转向构建底层、高度可控的编排框架（如 LCEL 和 LangGraph）。
这与早期 LangChain 的设计有所不同。早期我们更侧重于提供开箱即用、易于使用的"链"（chains），这对初学者非常友好，但难以定制和实验。在行业初期，这种设计非常合适；但随着领域成熟，其局限性迅速显现。
我为我们过去一年在提升 LangChain 和 LangGraph 的灵活性与可定制性方面所做的改进感到无比自豪。如果你之前只使用过 LangChain 的高层封装（high-level wrappers），建议你尝试一下底层组件------它们能让你真正掌控自己应用的"认知架构"。
实践建议：
- 如果你构建的是简单的调用链或检索流程，请使用 LangChain（Python / JavaScript）。
- 如果你需要更复杂的智能体工作流，请尝试 LangGraph（Python / JavaScript）。
原文链接：blog.langchain.com/what-is-a-c...
翻译仅供参考，关键术语保留英文以便对照。