Think Through a Bottleneck: Hourglass Reasoning for Rigorous Induction
通过瓶颈思考：用于严格归纳的沙漏推理
🧭 结构化推理增强 · 归纳推理
Peking University
提出 Hourglass 推理框架，通过阶段隔离与符号化状态压缩，大幅提升 LLM 少样本归纳推理能力
📌 工作参考价值（4 点）
- Agent 推理工作流设计：在构建推荐或广告策略 Agent 时，可借鉴 Hourglass 的阶段隔离与信息瓶颈设计，强制中间推理以紧凑的符号化状态（如规则摘要、关键变量）传递，避免前序上下文污染后期决策，尤其适用于多步逻辑推导、规则生成场景。
- 规则归纳与验证：电商场景下常有从少量案例中归纳业务规则的需求（如识别欺诈模式、生成选品策略），可部署类似的“归纳→演绎→实现→验证→修正”流程，用错误驱动的自修正提升规则准确性，并确保修正始终锚定在核心规则上。
- 提升 LLM 推理可控性：借鉴显式符号编码器-解码器思想，在用户意图理解、复杂条件文案生成等任务中，将关键信息压缩为符号化描述再逐步展开，减少长链推理中的语义漂移，增强结果的可解释性与稳定性。
- 少样本场景下的推理增强：如果使用 LLM 进行冷启动推荐或新品类属性补全，可采用沙漏式上下文隔离与迭代修正，从稀疏样本中更可靠地抽取泛化规律，优于直接反复追问的朴素自纠正方法。