今天在学习1angchain中agent模块的时候，有一种方法叫ReAct，我找到他的文章然后用ai帮我解读，他主要是模仿人类的自然推理过程。
我“突发奇想"，高中数学课的时候，老师讲过一种“反证法”，即通过事件的不可能性来证伪，侧面推理出结果。
我在想是否可以衍生出这样一个研究方向，即同时利用自然推理和反证法来提高大模型推理的accuracy。
查到几篇文章:
[https://ui.adsabs.harvard.edu:443/abs/2024arXiv240203667Z/abstract](Large Language Models as an Indirect Reasoner: Contrapositive and Contradiction for Automated Reasoning)
[https://arxiv.org/html/2512.04228v1](Addressing Logical Fallacies In Scientific Reasoning From Large Language Models)
[https://www.semanticscholar.org/paper/Large-Language-Models-Are-Better-Logical-Fallacy-Jeong-Jang/f8182a1b2812099fc43a5dcefcd408906e012913](Large Language Models Are Better Logical Fallacy Reasoners with Counterargument, Explanation, and Goal-Aware Prompt Formulation)
[https://kclpure.kcl.ac.uk/portal/en/publications/argumentative-large-language-models-for-explainable-and-contestab](Argumentative Large Language Models for Explainable and Contestable Claim Verification)
几篇文章都是近一年内发表的顶会。
接下来我会继续思考关于 大模型推理方式优化 方面的idea。
颇有启发，遂作此笔。