R-APS：基于反思对抗帕累托搜索的组合推理与上下文元学习用于约束设计

大型语言模型在开放任务中表现流畅，但在需规划与工具使用的智能体场景中可靠性不足。本文指出错误传播、最坏情况未评估及知识无法失效三大结构性失败，根源在于多种推理模式争夺共享上下文。为此提出反思对抗帕累托搜索（R-APS），通过推理模式分解，为每种模式分配独立上下文，并在三个时间尺度上协调交互：结合类型化验证批评者的 staged 组合推理、作为帕累托目标的敏感性引导反事实压力测试，以及具显式失效机制的元归纳规则提取。该方法无需微调，仅在冻结模型上通过结构化协议运行，在平面机构合成任务中显著提升了鲁棒性与效率。