显式认知分配：面向大语言模型受治理与可审计推理的原则
人工智能
2026-01-21 v1
摘要
大语言模型 (LLM) 的快速采用在科学、技术和组织领域实现了新形式的 AI 辅助推理。然而，主流的 LLM 使用模式在认知上仍然是无结构的：问题框架构建、知识探索、检索、方法论意识和解释通常被折叠为单一的生成过程。这种认知折叠限制了可追溯性，削弱了认知控制，并破坏了可重复性，特别是在高责任场景中。我们引入了显式认知分配，这是一种通过显式分离和编排认知功能来构建 AI 辅助推理的通用原则。我们将这一原则实例化于认知通用智能体 (CUA) 中，这是一种将推理组织为探索与框架构建、认知锚定、工具与方法论映射以及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) 的概念，它将计算、实验、组织、监管和教育工具等异构手段形式化，通过这些手段抽象的探究变得可调查。我们通过在匹配的执行条件下对 CUA 编排的推理与基线 LLM 推理进行受控比较，评估了显式认知和工具分配的效果。在农业领域的多个提示中，CUA 推理表现出更早且结构上受治理的认知收敛、在语义扩展下更高的认知一致性，以及对探究工具景观的系统性暴露。相比之下，基线 LLM 推理在一致性上表现出更大的变异性，且未能显式呈现工具结构。
引用
@article{arxiv.2601.13443,
title = {Explicit Cognitive Allocation: A Principle for Governed and Auditable Inference in Large Language Models},
author = {Héctor Manuel Manzanilla-Granados and Zaira Navarrete-Cazales and Miriam Pescador-Rojas and Tonahtiu Ramírez-Romero},
journal= {arXiv preprint arXiv:2601.13443},
year = {2026}
}
备注
Preprint. This version corresponds to the initial public release of the CUA architecture and associated evaluation metrics