递归推理系统是一种在获取新证据与精炼累积理解之间交替进行的智能框架，广泛应用于人工智能领域，例如智能体循环、思维树推理、定理证明以及持续学习等场景。然而，这类系统通常面临两个核心设计难题：如何精确表示不断演化的推理状态，以及如何确定何时停止迭代以避免不必要的计算开销。传统方法往往隐式处理这些问题，缺乏系统的理论指导。近期一篇研究论文首次明确提出了解决方案，通过引入认知状态图来表示推理状态，并定义了“顺序间隙”作为停止迭代的判据。
研究人员将推理状态建模为一种认知状态图，该图包含从外部信息中提取的论断、论断之间的证据支持关系、尚未解决的开放问题以及每条信息的置信权重。这一表示方法使得系统能够动态跟踪推理过程中的关键元素，并捕捉它们之间的相互作用。在此基础上，他们提出了“顺序间隙”这一概念，即对比两种不同的迭代策略——“先扩展后整合”与“先整合后扩展”——所达到状态之间的差异距离。如果顺序间隙很小，说明两种策略导致的认知状态高度一致，此时继续迭代可能不再带来显著收益，因此可以合理终止。
论文的核心理论贡献在于给出了线性化顺序间隙在不动点附近非退化的必要且充分条件。这一局部条件确保了顺序间隙判据在数学上是有信息量的，而不是代数上的平凡零值。作者特别强调，这只是一个局部条件，并不能保证全局收敛，但它为实际系统提供了一个实用的诊断工具。通过计算顺序间隙，系统可以在迭代过程中动态判断是否已经接近收敛，从而避免无谓的重复计算。
目前，该框架已经成功应用于递归推理系统，并在多个AI领域展示了其潜力。例如，在智能体循环中，智能体可以基于认知状态图高效地决定何时终止探索；在思维树推理中，算法可以利用顺序间隙来修剪搜索空间；在定理证明中，系统能够更有策略地选择证明步骤；而在持续学习中，模型可以判断何时需要更新知识库。这项工作不仅为设计更高效的迭代推理算法奠定了理论基础，也为未来开发自适应推理系统提供了新的思路。