用途：在代码生成等任务中，先构建显式问题模型，再在模型内推理与实现，以减少幻觉和临时性决策。资料称该方法基于 Kumar & Rana（2025）论文（arXiv:2512.14474）。
主要能力：分阶段执行。阶段1产出模型（不含代码与解法步骤），阶段1.5进行 MODEL AUDIT 审计，阶段2仅在冻结模型内规划、编码与测试。模型可含 deliverable、entities、state_variables、actions、constraints、initial_state、goal、assumptions、unknowns、requirement_trace、test_oracles 等字段。审计检查覆盖性、可操作性、一致性、可测试性。
使用方式：建议将模型写入 model.json 并运行验证器：python scripts/validate-model.py model.json。退出码：0 有效可进入阶段2；1 结构无效需修复重试；2 有效但存在 unknowns，必须在阶段1后停止。若 unknowns 非空则停止；实现阶段不得引入新实体、状态、动作或约束，否则输出 MODEL INCOMPLETE 并停止。不得编造 API 或依赖，缺失时提问或标记为 STUB。模型冻结后如需变更，发出 MODEL PATCH 并从阶段2重跑。
适用场景：复杂状态机、含不变量的业务逻辑、数据转换、多步工作流、安全关键功能、协作式规格说明。限制：简单单步任务因建模开销过大而不适用。资料未提供具体安装方式与价格信息。
MFR 可与 Chain-of-Thought、ReAct、规划智能体配合使用。