用途：Critical Thinking Framework（FCT）为构建具备元认知与自我纠错能力的 AI 智能体提供架构组件，适用于需要多步推理、自纠错、错误检测、减少幻觉以及选择合适推理方法（CoT/ToT/GoT）的场景。触发示例包括“构建可自纠错的智能体”“改进推理”“减少 AI 系统幻觉”“在 CoT、ToT 等方法间选择”“为智能体工作流加入错误检测”。
主要能力：1）推理路由器（references/reasoning_router.md），根据任务复杂度路由至 CoT、ToT（BFS/DFS）、GoT 或 Self-Consistency；2）元认知监控器，按步骤给出置信度、异常检测、反思触发条件与人工接管协议，采用 Producer-Critic 模式；3）自我验证，涵盖 Chain-of-Verification（CoVe）、Self-Refine、反向验证与外部来源交叉验证；4）偏见检测器，覆盖确认偏误、锚定效应、可得性启发、框架效应与近因偏误；5）Producer-Critic 编排器，含主控、生成、评审与带预算约束的迭代；6）记忆策展器，质量加权的情节记忆、经验回放、巩固与选择性保留；7）推理验证器，做逻辑一致性、结构完整性、假设校验与矛盾检测；8）反思触发器，基于置信度阈值、重复动作、延迟尖峰与复杂度指标触发自纠错。
使用方式：资料提供工作流决策树，先分析任务复杂度选择推理方法，再逐步加入元认知层、自我验证、偏见检测与记忆学习；并给出类 CriticalThinkingAgent 的伪代码示例，演示路由、监控评估、自验证与偏见缓解流程。推理方法选择速查表列出任务特征与推荐方法，如简单线性选 CoT，复杂规划选 ToT-BFS，深度推理选 ToT-DFS，互联推理选 GoT，关键决策选 Self-Consistency，事实性主张选 CoVe。
适用场景：构建复杂任务智能体、自纠错与错误检测工作流、需要降低幻觉、需要在多种推理方法间做选择、需要元认知监控以提升可靠性的场合。
限制：资料未提供具体安装命令、依赖要求、支持平台、收费或价格信息；也未给出可直接运行的完整实现，仅提供参考文档与伪代码，实际落地需自行实现。部分组件标注了优先级（P0/P1/P2），但未说明性能基准或效果保证。