大型语言模型（LLM）在生成流畅文本时常缺乏来源支撑或与本地运行约束冲突。为了解决这一问题，本文提出自省链式思考（SRCoT），一种将生成过程组织为闭环的检索‑反思‑修订（Retrieve‑Reflect‑Revise）流水线的模块化架构。SRCoT 将环境状态、持久知识、累计经验和短期记忆分别存放在带有来源标签的存储区。BM25 检索负责提供本地上下文；随后模型在每一次迭代中暴露中间草稿、缺失信息标记、后续查询以及可选的主张‑证据映射。这些产出用于决定是否继续检索、进行修订、澄清或直接放弃。
我们在两个全合成场景——紧急医疗服务和 Munich‑Sim（紧急行动仿真）——中通过定性、追踪案例研究评估该架构。原型在配备 128 GB 内存的 Apple M4 系列笔记本上本地运行，展示了带来源标签的文档、显式的缺口标记以及结构化的调度式输出。追踪结果同时揭示了来源分配错误、证据覆盖不完整以及在提示约束下仍可能出现的不安全假设。
这些实验表明 SRCoT 能提供报告层面的可检查性和本地执行能力，但并未声称在降低幻觉、提升临床有效性或保证操作安全方面优于现有方法。该架构将检索与控制从模型接口中分离，跨模型的行为仍需进一步评估。SRCoT 目前是需要人工审查的研究概念，其核心贡献在于可检查的控制流程，而非全新模型。
点评