Graph of States：用大语言模型求解溯因任务

逻辑推理包括演绎、归纳和溯因。然而，虽然大语言模型（LLM）已经有效地掌握了前两者，但溯因推理仍然未被充分探索。现有的框架主要是为静态演绎任务设计的，由于非结构化的状态表示和缺乏明确的状态控制，无法推广到溯因推理。因此，他们不可避免地容易出现证据伪造、背景漂移、回溯失败和提前停止的情况。为了弥补这一差距，我们引入了状态图（GoS），这是一种专为溯因任务量身定制的通用神经符号框架。 GoS 将多智能体协作建立在结构化信念状态中，利用因果图显式编码逻辑依赖性和状态机来管理推理过程的有效转换。通过动态地将推理焦点与这些符号约束对齐，我们的方法将漫无目的、无约束的探索转变为收敛的、有向的搜索。对两个现实世界数据集的广泛评估表明，GoS 显着优于所有基线，为复杂的溯因任务提供了强大的解决方案。代码存储库和所有提示：https://anonymous.4open.science/r/Graph-of-States-5B4E。