推理技术

将复杂问题逐步分解为中间推理步骤

通过分支和回溯探索多条推理路径

以思维为节点、依赖为边的非线性推理

通过使用外部工具将推理与行动相结合

生成多棵推理树以增强多样性和鲁棒性

对推理质量与置信度的自我觉察和监控

根据问题复杂度动态分配计算资源

通过对比式反思来改进探索的增强版MCTS

将问题从简单成分到复杂成分逐步分解

通过从已知领域中发现并应用相似模式来解决问题

建立并遵循明确的因果关系

从不完整的观察中推断出最可能的解释

在处理具体问题之前先抽象出更高层次的原则

维护一个可复用思维模式的动态缓冲区，用于类比推理

先生成骨架式提纲，再并行扩展每个要点，从而在保持结构的同时降低延迟

在连续潜在空间内进行迭代推理,无需显式生成 token

在非零温度下采样多条不同的思维链路径,然后通过多数投票或置信度加权投票聚合它们的最终答案。由于正确答案往往能通过多条不同的推理路径得出,而个别错误则各自分散,因此共识答案远比任何单次贪心解码更可靠。

先起草一个基线答案,再围绕它规划一组验证问题,并独立地回答每个问题,使核查不受草稿的影响,然后仅使用经过验证的事实来修订最终答案,从而减少幻觉。将核查放在独立上下文中运行的因子化验证,效果优于让模型重新检查自己的草稿,因为后者往往会重复自身的错误。

在对一个描述不充分的请求进行规划或执行之前,智能体先判断是否需要发问(歧义检测),再生成信息量最大的澄清问题(以对各种合理解释的期望信息增益来刻画),然后才确定计划。开箱即用的 LLM 在被明确询问时能够识别歧义,却压倒性地默认给出一个不作声的单次猜测答案,因此发问是一种经过显式训练或提示引导的行为。它不同于关注 UI 控制权切换的混合主动式界面模式,也不同于对已选定动作进行批准、而非对意图消歧的 human-in-the-loop。