這部份我覺得算是這篇，收穫最多的地方，要如何建構深思熟慮的思想連結，就像人們一樣，某些時刻會突然閃出過去的記憶，對某一些細節產生更深入的想像或者思考，這邊我覺得像是，很像大腦運作的芳

Reflection

現在有一個問題，如果今天是這輩子最後一天，可能隕石要砸過來了，你會選擇跟誰相處？如果照著機器的檢索機制，他可能會去找一個跟agent相處最久的人出來，但相處最久的那位，可能不是你最想相處的(不想得罪誰，請大家自行想像！)，小別勝新婚，或許當年你沒告白成功的學姐，才是你期望能在僅有時間想處的那位。

那問題來了，我們要怎麼去感受，或是說讓agent去認為，哪個是對它來講最重要的人？這就需要建構反思系統，去思考對某位agent來說，可能重視家庭，或者重視朋友，它，會想選誰？

方法

在該論文中，會查詢100筆最近的紀錄，被針對這個別的紀錄，詢問三個最突出的問題(反思)，對於每個生成的個別問題，我們用它們去檢索最相關的紀錄，然後我們會提示語言模型去萃取出見解並引用紀錄的來源(見解就是要GhatGPT給出來嗎？這我有點不太確定)。接著我們就可以把這個見解作為反思然後紀錄起來。所以對於記憶系統來說，就不只有觀察的資訊，還有反思的見解，可以是一個tree，由好幾層見解建構，最上面root節點，就可得到最終見解(結論?) →兇手就是你！感覺可以來做個柯南機器人了XD

總結

不過單看結論的關係，我覺得這樣思考可能不是那麼有效率？或許會產出些膚淺的觀察XD 像是知識圖普之類的，可以把智慧與知識，合併成一個很大的網路，但效率依然是個問題。如果哪天延伸出一個泛化性好、效率高的反思網路，或許有機會跟思想家一搏，或是想到我們很難想到的事情，優化人類的思考流程，說起來這本身有沒有意義，也是值得思考XD

參考

Generative Agents: Interactive Simulacra of Human Behavior