用推理技能思考：更少token，更高准确率

推理型LLM在解决新问题时常常在冗长的中间推理轨迹（例如思维链）上花费大量token。我们提出将从大量深思与试错探索中提炼出的可复用推理技能进行总结和存储，并在推理时检索这些技能以引导后续推理。与主流的从零推理（reasoning from scratch）范式不同，我们的方法首先为每个查询召回相关技能，帮助模型避免冗余弯路并聚焦有效的解题路径。我们在编程与数学推理任务上评估该方法，发现它显著减少了推理token，同时提升了整体性能。由此带来的每请求成本下降表明其在真实部署中具有强劲的实践与经济潜力。