文章主要内容和创新点主要内容本文针对大型语言模型（LLMs）在处理新问题时依赖训练数据中的统计模式、缺乏明确逻辑推理的局限性，提出了一种基于方法的推理模型。该模型从训练内容、LLM生成的响应及用户交互中自动提取“方法”（定义为“问题-解决方案”对），并将其存储在外部模块中。当接收新查询时，系统检索最相关的方法指导LLM生成响应，同时通过用户反馈对方法进行排序，实现持续优化。实验验证表明，该模型提升了LLM在事实验证和复杂提示泛化上的表现，且新学习的方法可通过用户优化超越旧方法。创新点提出基于方法的推理框架：通过显式提取和重用“问题-解决方案”对，增强LLM的逻辑一致性和对新问题的适应性，区别于依赖统计模式的传统生成方式。动态方法管理机制：实现方法的自动提取（从训练数据、输出及用户交互中）、结构化存储（层次化树结构）和双维度排序（用户反馈的外部排序+LLM自身的内部排序），支持无需人工干预的持续学习。泛化能力强化：方法通过语义层面的问题匹配实现跨场景重用，即使表面文本不同，只要逻辑结构相似即可应用，解决了LLM对新分布问题的处理短板。可解释与可审计的优化：通过外部存储的方法库和反馈循环，使推理过程可追溯，优于仅调整模型输出分布的传统方法（如RLHF）。翻译部分