该文针对大语言模型(Large Language Models，LLMs)在复杂多步推理任务中现有方法(如思维链(Chain of Thought))虽通过引导模型生成推理步骤来增强推理能力，但常出现生成的中间步骤错误和信息遗漏，一旦某环节出错，往往导致最终解答失败。为此，提出了一种全新的推理方法——递进一致性推理(Progressive Consistent Reasoning，PCR)。PCR通过构建一个动态已知量库(一个在推理过程中不断更新的结构化信息列表)，从原始问题中提取显式关键信息建立初始已知量库，并将问题分解为多个子问题；在每一次解答子问题后，通过从子问题答案中提取新信息对已知量库进行动态更新，然后基于最新的已知量库对“原始问题”重新思考后进行一次完整的解答尝试，生成阶段候选解。最后，采用聚合策略整合各阶段候选解，输出更加稳健、准确的最终答案。与其他方法相比，PCR方法在GSM8K、CSQA等多项复杂推理基准上相比传统思维链(Chain of Thought)和自一致性方法(Self-Consistency Reasoning)提高了11.9%、5.73%和3.45%、0.95%。结果表明，PCR方法能够有效降低中间步骤错误和信息遗漏对结果的影响，增强推理的稳定性和准确性。