导航不可靠的参数与上下文知识：面向大语言模型推理的显式知识冲突解决

大语言模型虽能结合参数知识与上下文信息，但二者间或上下文内部常存在冲突。现有方法多假设单一来源可靠而回避冲突。为此，本文提出 MACR 框架，超越二元选择范式，引入显式冲突解决机制。该框架首先利用修正的语义熵评估模型置信度，自适应地外部化内部知识或检索外部信息；随后通过包含三个专用智能体的归纳式多智能体推理框架，分别负责规则诱导、冲突分析及不一致性解决。实验表明，MACR 在多个基准上显著优于最先进基线，并提供可解释的冲突解决方案。