显式认知分配：大语言模型中受治理且可审计推理的原则

大语言模型（LLM）的快速采用在科学、技术和组织领域催生了新的 AI 辅助推理形式。然而，主流的 LLM 使用方式在认知上仍是无结构的：问题界定、知识探索、检索、方法论意识与解释通常被折叠进单一生成过程。这种认知折叠限制了可追溯性，削弱了认识论控制，并损害可复现性，在高责任场景中尤为明显。我们提出显式认知分配（Explicit Cognitive Allocation），一个通过显式分离与编排认识功能来结构化 AI 辅助推理的通用原则。我们把该原则实例化为认知通用智能体（CUA），一个把推理组织为探索与界定、认识锚定、工具与方法映射、解释性综合等不同阶段的架构。该框架的核心是通用认知工具（UCI）概念，它形式化异质的手段——包括计算、实验、组织、监管与教育工具——抽象问题经由它们变得可研究。我们通过在匹配执行条件下对 CUA 编排推理与基线 LLM 推理的受控比较，评估显式认知与工具分配的效果。在农业领域的多个提示上，CUA 推理表现出更早且受结构治理的认识收敛、语义扩展下更高的认识对齐，以及系统性地暴露研究的工具版图。相比之下，基线 LLM 推理在对齐上变异性更大，且未能显式呈现工具结构。