知得更多，知得更清晰：面向大语言模型知识增强的元认知框架

知识增强显著提升了大语言模型（LLMs）在知识密集型任务中的表现。然而，现有方法通常基于一个简单的前提，即模型性能等同于内部知识，忽视了导致过度自信错误或不确定真相的知识-置信度差距。为弥合这一差距，本文提出了一种新的元认知框架，通过差异化的干预和对齐实现可靠的知识增强。该方法利用内部认知信号将知识空间划分为已掌握、困惑和缺失区域，指导有针对性的知识扩展。此外，我们引入了一种认知一致性机制，以同步主观置信度与客观准确性，确保校准后的知识边界。大量实验表明，我们的框架在多个基准测试中始终优于强基线，验证了其不仅提升知识能力，还能促进更好区分已知与未知的认知行为。