Think$^{2}$：大型语言模型中的 grounded 元认知推理

大型语言模型虽具备强大推理能力，但在监控、诊断及纠正自身错误方面仍显不足。本文引入一种基于心理学理论的元认知框架，将 Ann Brown 的调节循环（规划、监控、评估）操作化为结构化提示架构，并集成于轻量级双过程 MetaController 中以自适应分配计算资源。在多个推理基准测试中，该显式调节结构显著提升了错误诊断率，使成功自我修正次数增加三倍。人类评估显示，其在可信度与元认知自我意识方面优于标准及思维链基线，为构建透明且鲁棒的 AI 系统提供了理论路径。