追踪、排序、破解：认知工作记忆扩展语言智能体的多跳推理能力

针对语言智能体在多步推理中因上下文稀释导致性能下降的问题，本文提出 SLEUTH 框架。该框架引入结构化认知工作记忆，显式维护已确认事实、活跃假设及开放问题，使推理状态可操作化。实验表明，SLEUTH 在五个多跳基准测试中显著优于现有基线，且优势随难度增加而扩大。研究进一步发现，结构化记忆状态是智能体有效提交答案的必要条件，证明了推理组织方式而非模型原始能力是扩展多跳推理的关键。