Enhanced Mycelium of Thought（EMoT）：融合策略性休眠与记忆术编码的仿生分层推理架构

当前面向大语言模型（LLM）的提示范式，包括思维链（CoT）与思维树（ToT），遵循线性或树状推理路径，缺乏持久记忆、策略性休眠与跨领域综合。我们提出EMoT（Enhanced Mycelium of Thought）框架，一种仿生推理架构，将认知处理组织为四级层次（Micro、Meso、Macro、Meta），实现推理节点的策略性休眠与再激活，并集成了带有五种记忆术编码风格的记忆宫殿。EMoT是面向复杂、多领域问题的研究原型，而非通用的提示增强。两项互补的评估揭示了一种特征性的权衡。在跨三个领域的盲测LLM-as-Judge评估中，EMoT与CoT接近持平（4.20对4.33/5.0）且稳定性更高，并在跨领域综合上胜过CoT（4.8对4.4）。消融研究表明，策略性休眠在架构上不可或缺（禁用后质量从4.2骤降至1.0）。在一个15题简答基准上，EMoT（27%）明显逊于更简单的基线，证实了其在简单问题上存在系统性过度思考。这些结果受制于重要局限：样本量小（n=3个复杂案例、n=15个简答题项）、LLM-as-Judge评估存在潜在自偏好偏差，以及约33倍的计算成本开销。据我们所知，EMoT是首个在单一架构中结合分层拓扑、带再激活的策略性思维休眠与记忆术记忆编码的推理框架。