Fat-Cat：面向复杂推理的文档驱动元认知多智能体系统
机器学习
2026-02-10 v2
摘要
LLM-based 智能体的效果往往受限于运行时如何高效地利用上下文信息，而非模型容量本身。现有的智能体框架依赖严格、语法丰富的状态表示，如嵌套 JSON，这要求模型在语法处理方面花费大量有限注意力，而非进行语义推理。本文提出了 Fat-Cat，一种文档驱动的智能体架构，用于改善状态管理的信噪比。通过集成三个关键组件：（1）语义文件系统将 agent 状态表示为与常见预训练语料库一致的 Markdown 文档；（2）文本策略演化模块在不进行参数更新的情况下积累任务解决知识；（3）闭环监视器监控推理轨迹以减少幻觉。广泛的推理、检索和编码基准测试表明，Fat-Cat 持续改进智能体性能。它使 Kimi-k2 模型在 HotPotQA 上超越了专有 GPT-4o 基线。将基于文档的状态替换为 JSON 会导致性能下降，经实证验证了文档驱动状态建模相对于刚性语法的关键必要性。代码已公开available at https://github.com/answeryt/Fat-Cat。
引用
@article{arxiv.2602.02206,
title = {Fat-Cat: Document-Driven Metacognitive Multi-Agent System for Complex Reasoning},
author = {Tong Yang and Yemin Wang and Chaoning Zhang and Aming Wu},
journal= {arXiv preprint arXiv:2602.02206},
year = {2026}
}
备注
This submission is withdrawn due to errors in the manuscript content and inaccuracies in the author information. The authors plan to correct these issues and may submit a revised version in the future