本文提出一种基于文本的多智能体版《Clue》（线索）棋盘游戏环境，用于评估大语言模型（LLM）的多步演绎推理能力。玩家需要从一系列观察中推断隐藏信息，在回合之间保持推理一致性，并在新约束出现时更新信念，从而暴露当前模型在跨步证据整合和约束维护方面的局限。
我们实现了六个基于 LLM 的玩家：分别使用 GPT-4o-mini 和 Gemini-2.5-Flash，每个模型族部署三名代理。通过多轮对局收集基线表现，记录每一步的推理日志。
随后引入工具增强方案：构建结构化的可能性矩阵（possibility matrix），将推理日志中隐含的游戏状态转换为显式的剩余可能集合。矩阵在每回合更新，编码记忆和演绎约束，使代理无需自行维护长程记忆或复杂约束求解。
我们将工具增强的代理与基线进行对比，评估在策略推理环境中工具对推理质量和任务成功率的提升效果。实验表明，可能性矩阵显著提升了模型的一致性保持和约束推理能力，尤其在长序列推理场景下表现更稳健。
点评