CogniLife: Continuous Cognitive Distillation for Deployed Multi-Expert Agent Marketplaces

📄 arXiv: 2611.04483v1 📥 PDF

作者: Xuwei Tan, Jingchun Huang, Ming Cai, Shuangquan Lyu, Tiange Wang, Yinzhi Wang, Ronghua Shi, Jingwei Song, Yang Jingsong, Yinghui Xia, Hehua Fan, Yifan Zhou, Hanxin Chen, Jiwei Song, Tianyu Shi

分类: cs.AI

发布日期: 2026-11-03

备注: 21 pages

💡 一句话要点

提出CogniLife以解决多专家代理市场中的冷专家问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 多专家代理 冷专家问题 连续认知蒸馏 跨专家归因 智能系统 知识共享 语言技术

📋 核心要点

  1. 现有的多专家代理市场面临冷专家问题，缺乏关于创作者的有效证据，影响了专家的可信度和使用效果。
  2. 论文提出通过连续认知蒸馏，将创作者的观察转化为可修订的决策规则，设计了跨专家归因机制以解决冷专家问题。
  3. 在ProfyBench-v1基准测试中，Profy Full配置的得分为4.65/5，较Raw LLM和Expert Prompt分别提升了0.64和0.37，尤其在完整性和特异性任务上表现突出。

📝 摘要（中文）

多专家代理市场是语言技术的新兴部署模式，允许创作者发布特定领域的AI专家供用户咨询。然而，已发布的专家可能面临冷专家问题，即缺乏关于其创作者的证据。本文提出连续认知蒸馏的方法，将创作者的属性观察转化为可修订的决策规则和沟通模式。CogniLife设计了跨专家归因机制，通过创作者档案和专家日志来解决这一问题。尽管该设计尚未实现或评估，但部分部署平台已经实现了创作者授权的创作、能力拥有的提案过滤和可逆的记忆整合。在ProfyBench-v1基准测试中，Profy Full配置的整体得分为4.65/5，显著优于其他基线。

🔬 方法详解

问题定义：本文旨在解决多专家代理市场中的冷专家问题，现有方法无法有效提供创作者的背景信息，导致专家的可信度下降。

核心思路：通过连续认知蒸馏，将创作者的属性观察转化为可修订的决策规则和沟通模式，形成跨专家的归因机制，以提升专家的可用性和可信度。

技术框架：整体架构包括创作者档案、专家日志和部分部署平台，支持创作者授权的创作、能力拥有的提案过滤和可逆的记忆整合。

关键创新：CogniLife的核心创新在于跨专家归因设计，允许不同专家之间的知识和经验共享，显著提升了专家的适应性和可用性。

关键设计：设计中涉及创作者档案的构建、专家日志的维护，以及针对提案的过滤机制，确保了信息的有效传递和使用。具体的参数设置和损失函数尚未详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在ProfyBench-v1基准测试中，Profy Full配置的整体得分为4.65/5，显著高于Raw LLM的4.01和Expert Prompt的4.28，尤其在完整性、特异性和缺失信息任务上取得了最大提升，显示出CogniLife在冷专家问题上的有效性。

🎯 应用场景

该研究的潜在应用领域包括智能客服、在线教育和专业咨询等场景，能够有效提升多专家系统的可信度和用户体验。未来，CogniLife的设计理念可能会推动更多领域的专家系统发展，促进知识的有效传递与共享。

📄 摘要（原文）

Multi-expert agent marketplaces -- where creators publish domain-specific AI experts for end users to consult -- are an emerging deployment pattern for language technology. A published expert can receive many requests yet little evidence about its creator, who remains active elsewhere: the cold-expert problem. We frame continuous cognitive distillation as converting attributed creator observations into revisable decision rules, communication patterns, and domain procedures. CogniLife proposes a cross-expert attribution design for this problem, with Creator Profiles for transferable creator patterns and Expert Journals for listing-specific knowledge; this design is not yet implemented or evaluated. A deployed platform partially realizes the surrounding lifecycle through creator-authorized authoring, capability-owned proposal filtering, and reversible consolidation of eligible owner-scoped memory. On ProfyBench-v1, an 85-task offline benchmark built from replay seeds and controlled internal tests, the Profy Full configuration as a whole achieves a mean overall score of 4.65/5 from the primary LLM judge, compared with 4.01 for Raw LLM and 4.28 for Expert Prompt, with the largest gains in completeness, specificity, and missing-information tasks. These configuration-level scores do not test cold-expert mitigation, cross-expert transfer, or longitudinal distillation.