近期，多步骤事实验证（Multi-hop Fact Verification）成为一种重要的研究方向，旨在通过多个证据来验证声明的真实性。现有的方法主要依赖多智能体协作来分解事实验证任务，但这些方法面临两个关键的局限性：（1）智能体可能在不知道全局验证目标的情况下执行单独的子任务，从而导致推理偏离预期方向；（2）参数知识与提供的证据之间的冲突可能会破坏基于证据的推理，导致错误的结论。为了解决这些挑战，我们提出了ReflectFact，一种用于多步骤事实验证的自反式智能体框架。ReflectFact引入了三个关键任务：显式推理路径规划、证据偏差验证和推理反思验证。通过这些任务，ReflectFact能够有效地改进现有方法的理解和推理缺陷，实现最优的性能。在HOVER和EX-FEVER数据集上的实验结果表明，ReflectFact分别比最强的基线模型在两个数据集上提高了3.32%和2.78%的性能。 博主点评： ReflectFact框架为多步骤事实验证提供了一个新的思路，通过自反式智能体来提高理解和推理能力，这是未来研究的一个重要方向。