复杂问题往往缺乏足够的上下文，例如科学主张，需要额外的知识才能完成推理。为此我们提出 SMART 框架，它通过捕获问题情境中各参与实体的隐式状态来获取所需知识。SMART 使用多种大语言模型（LLM）并结合结构化的角色提示策略，将状态信息组织为多样、互补且对解答关键的前提。\n\n这些前提经过真实世界验证后被纳入知识库，随后在解题过程中提供引导。实验在三个科学主张数据集上进行，SMART 的知识引导推理将验证准确率提升至 20%。进一步的消融实验表明，将前提扎根于真实世界知识可额外提升约 5% 的性能。\n\n点评：SMART 通过显式建模参与者状态并利用角色化提示，实现了知识的高效聚合与验证导向的推理，展示了多智能体协同在复杂科学推理中的潜力。