Meta-Reasoning：异构元推理框架——重新思考 LLM 的认知架构

Meta-Reasoning是一个颠覆传统范式的开源框架，核心论点为LLM本质是"生成基质"而非自主认知主体，提出"认知异构性"理念，通过外部认知控制器动态调控推理策略，探索受控约束下的即兴推理能力。框架采用三层认知体系架构，挑战当前LLM应用的主流范式。

当前LLM的推理多为模式重放而非真正的深思熟虑。Meta-Reasoning提出"认知异构性"概念——推理过程应由外部系统治理、观察和变异，而非依赖模型内部的自我反思机制，摒弃如"逐步思考"等提示工程技巧，转向结构化、可观测和可控的推理调控机制。与现有方法对比：Chain-of-Thought、Tree-of-Thoughts等均视LLM为认知主体，而本框架将其定位为纯粹的生成基质。

Meta-Reasoning架构分为三层：

1. 生成基质层：对应传统LLM，无状态、无决策能力的纯粹生成器，仅根据输入生成输出，不评估正确性或做策略选择。
2. 认知控制器层：系统核心，语义盲（不评估内容真假，仅评估认知形式质量），监控推理步骤熵值、策略重复指数、约束违反率、过早收敛分数等指标，动态施加变异操作。
3. 认识论账本层：记录认知轨迹，包括尝试过的转换操作、导致停滞的策略、失败模式图谱，非传统记忆或RAG系统。

每次LLM生成需包含形式化推理轨迹（含content及reasoning_trace：moves、depth、confidence_markers等）。框架定义推理动作字母表（假设、演绎、归纳、溯因、类比、矛盾等）。控制器通过精确指令干预，如BAN（禁止使用演绎）、REQUIRE（必须使用类比）、LIMIT_DEPTH（最多两步推理）等。约束驱动的即兴推理类似爵士乐创作——创造力来自限制而非自由。

Meta-Reasoning采用"非优化"哲学，不追求每次产生正确答案，将失败视为宝贵信息来源：记录崩溃的推理轨迹、停滞情况，通过学习避免重复认知陷阱。此方法与传统强化/监督学习不同，不试图让模型"学会"正确推理，而是通过外部调控探索认知空间地形。

Meta-Reasoning的适用场景包括：

• 认知科学研究：提供可编程实验平台，操控约束观察推理行为变化；
• 创造性任务：突破常规思维（如写作、头脑风暴）；
• 复杂问题求解：多角度审视，策略切换更有效；
• AI安全研究：外部控制限制推理路径，助力AI对齐；
• 教育辅助：展示思维过程，帮助理解推理策略及其适用场景。

项目代码结构模块化：meta_reasoning/下含types.py（认知动作、轨迹等类型定义）、substrate.py（LLM接口）、controller.py（认知控制器）、ledger.py（认识论账本）等。提供Python API：定义LLM后端，初始化CognitiveEngine，运行任务并遍历推理周期查看指标，保存账本。内置OpenAI API示例后端及mock后端用于测试。