用工具增强的演绎推理为 LLM 提供线索

该论文以文本版多智能体《Clue》桌游为环境，评估多步演绎推理。研究者把 GPT-4o-mini 与 Gemini-2.5-Flash 各实例化三个智能体，共六个玩家轮流对局，建立重复对局的基线表现；随后引入工具增强方法，用结构化可能性矩阵把生成推理日志中的隐含游戏状态转为显式剩余可能性，并承载跨轮记忆与演绎约束，再与基线对比推理质量和任务成功率。

此前对 LLM 推理的评估多集中在单轮或短链条任务，该工作把长程交互、跨步证据整合与约束更新放在同一可重复环境中考察，并把部分记忆与约束管理从模型内部转移到外部结构化表示，为比较推理增强手段提供了新的实验框架。

核心机制是将原本由模型在上下文中隐式维护的游戏状态，改写为由可能性矩阵显式记录：每一轮观察与既有推理被编码为剩余可能集合，跨轮记忆和演绎约束由外部结构承担，模型只需在该结构上更新或查询，从而减少长对话中状态漂移和一致性丢失的风险。

对开发多轮交互产品有直接参考：将状态与约束从提示词中抽离为可更新结构，可能降低长会话中的逻辑不一致，并减少为维持记忆而消耗的上下文长度。研发上可考虑为客服、诊断、合规核查等需要跨步推理的场景先建显式可能性或约束表，再让模型负责生成与选择。

• 在需要多轮推断的产品中，先落地可更新的显式约束或可能性表，再接入 LLM 生成层。
• 将长会话记忆与一致性维护下沉到外部结构化模块，减少对长上下文和反复重述的依赖。
• 把《Clue》类多智能体对局环境作为内部评测基准，用于回归测试模型的跨轮推理一致性。
• 对比不同模型在同一工具增强框架下的表现，作为模型选型和成本权衡的参考。

• 工具增强相对基线的提升幅度与统计显著性未在证据中给出。
• 论文未说明可能性矩阵由谁构建、是否同样依赖 LLM 生成。
• 未明确该方法对游戏之外任务的可迁移性。
• 未提供推理延迟、token 成本或实现复杂度的对比数据。